Inteligencia artificial para descubrir materiales: del modelo al laboratorio

Entradilla: Buscar un material nuevo exige recorrer combinaciones de elementos, estructuras y procesos. La inteligencia artificial puede aprender de bases de datos y aproximar cálculos costosos para priorizar candidatos. Sistemas recientes propusieron cientos de miles de cristales con estabilidad calculada y laboratorios autónomos cerraron parte del ciclo de síntesis. El avance reduce el espacio de búsqueda; no convierte una estructura digital en un material fabricable, estable en uso, seguro y económicamente útil.

El espacio de posibilidades es enorme

Cambiar proporciones, estructura cristalina, defectos o método de fabricación puede alterar conductividad, dureza y reactividad. Probar cada combinación es imposible. La ciencia de materiales utiliza reglas químicas, experiencia y cálculos de primeros principios para estimar energías. Proyectos abiertos como Materials Project organizan resultados comparables y permiten buscar relaciones entre composición, estructura y propiedades.

Un modelo de aprendizaje automático usa esos datos para aproximar una función: por ejemplo, predecir energía de formación a partir de una estructura. Evalúa candidatos mucho más rápido que un cálculo cuántico completo. Los mejores se recalculan con métodos más precisos, creando un embudo en el que cada etapa es más lenta y confiable.

Qué significa estabilidad calculada

Un cristal se considera estable frente a composiciones alternativas si su energía calculada está en la envolvente convexa del sistema químico. Esa condición termodinámica ayuda a descartar estructuras que tenderían a transformarse. La cercanía a esa envolvente también identifica materiales metaestables que quizá puedan obtenerse y conservarse durante un tiempo útil.

La cifra depende del método, de las fases incluidas en la base y de condiciones aproximadas. Temperatura, presión, entropía, defectos y cinética pueden cambiar el resultado. Una energía baja no proporciona automáticamente una receta de síntesis ni demuestra la propiedad que interesa. Es una prioridad para investigar, no una muestra dentro de un frasco.

GNoME amplió la lista de candidatos

El trabajo de GNoME combinó redes neuronales de grafos, búsqueda de estructuras y cálculos de teoría del funcional de la densidad. Sus autores informaron 381 000 materiales nuevos estables en el marco computacional utilizado. El modelo mejoró en rondas de aprendizaje activo: seleccionaba candidatos, recibía cálculos de mayor fidelidad y actualizaba sus predicciones.

El número describe estructuras calculadas y no 381 000 productos listos. Los autores compararon la base con cientos de estructuras reportadas por otros grupos como una comprobación externa, pero cada aplicación necesita validación adicional. La abundancia de candidatos desplaza el cuello de botella hacia elegir los relevantes, sintetizarlos y medirlos.

Un laboratorio puede cerrar parte del ciclo

A-Lab integró literatura, planificación algorítmica, robots, hornos y difracción de rayos X para intentar sintetizar materiales inorgánicos. El sistema eligió recetas, ejecutó reacciones, caracterizó productos y ajustó condiciones. Demostró que automatización y aprendizaje activo pueden coordinar experimentos reales durante una campaña prolongada.

La autonomía tiene límites. Los equipos humanos diseñaron la plataforma, seleccionaron el dominio, mantuvieron instrumentos y revisaron resultados. Algunas síntesis fallaron por fases competidoras, precursores o condiciones que el modelo no representaba. La difracción confirma estructura cristalina, pero no sustituye pruebas de vida útil, pureza, escalado y desempeño en un dispositivo.

Los datos determinan lo que aprende el modelo

Las bases publicadas contienen más resultados exitosos que fracasos, formatos diferentes y regiones químicas muy estudiadas. Un modelo puede ser preciso dentro de ese dominio y fallar en composiciones alejadas. La incertidumbre debe guiar qué experimento aporta más información, en lugar de esconderse detrás de una sola puntuación.

Compartir condiciones negativas, metadatos y calibraciones mejora la reproducibilidad. También importa la trazabilidad: versión de datos, código, parámetros y cálculo usado para filtrar. Sin esa información, otro laboratorio no sabe si una diferencia proviene del material o del flujo informático.

La meta elegida también limita el descubrimiento. Optimizar estabilidad puede producir candidatos estables que no conducen iones, no absorben luz o contienen elementos escasos. Los proyectos útiles combinan varias propiedades y restricciones desde el principio. Esa optimización multiobjetivo expone compromisos: mejorar conductividad puede reducir estabilidad y una composición excelente puede ser imposible de procesar.

Del hallazgo a una tecnología

1. Predecir composición, estructura y estabilidad con incertidumbre.
2. Diseñar una ruta de síntesis y obtener una fase identificable.
3. Medir la propiedad relevante bajo condiciones de uso.
4. Comprobar degradación, toxicidad, disponibilidad y reciclaje.
5. Fabricar suficiente material con costo y calidad repetibles.

La inteligencia artificial acelera el comienzo del proceso y puede decidir mejor qué medir después. Su éxito no debe contarse solo por candidatos virtuales, sino por experimentos reproducibles que revelan materiales útiles o descartan hipótesis con rapidez. El laboratorio continúa siendo el lugar donde una predicción se convierte en evidencia y donde aparecen variables que el modelo todavía no conoce.

Un candidato que fracasa tampoco es tiempo perdido si sus condiciones y resultados entran en la siguiente ronda. Ese registro permite que el modelo aprenda límites de síntesis y evita repetir recetas. El ciclo más valioso une predicción, experimento, caracterización y datos abiertos en vez de perseguir una sola cifra de descubrimientos.

Fuentes principales

1. Merchant et al., Scaling deep learning for materials discovery, Nature. https://www.nature.com/articles/s41586-023-06735-9
2. Szymanski et al., An autonomous laboratory for the accelerated synthesis of novel materials, Nature. https://www.nature.com/articles/s41586-023-06734-w
3. Materials Project. https://materialsproject.org/
4. Berkeley Lab, Materials Project. https://www.lbl.gov/research/materials-and-chemical-sciences/
5. Nature Reviews Materials, Autonomous experiments using active learning and AI. https://www.nature.com/articles/s41578-023-00588-4

Nota visual: las imágenes que se preparen para este artículo serán ilustraciones científicas y deberán identificarse como tales.