Materiales del futuro con IA: cómo una máquina descubrió dos millones de materiales nuevos en un año
Durante toda la historia humana, el descubrimiento de un material nuevo capaz de cambiar la tecnología ha sido un proceso de décadas: el acero tardó siglos en perfeccionarse, el silicio para semiconductores llevó décadas de investigación desde su identificación hasta su uso práctico. En 2023, un sistema de inteligencia artificial de Google DeepMind predijo la existencia de más de 2 millones de materiales estables nuevos que no existían en ninguna base de datos científica, en un solo año de cálculo. Los materiales del futuro ya no los descubren solo los químicos: los descubren los algoritmos.
Qué son los materiales del futuro y por qué importan tanto
Un material nuevo no es solo una curiosidad científica. Es la base de toda tecnología futura. Los superconductores a temperatura ambiente, si existieran, eliminarían las pérdidas de energía en toda la red eléctrica global. Los electrodos de baterías con densidad de energía diez veces mayor permitirían coches eléctricos con 3.000 kilómetros de autonomía. Los catalizadores más eficientes reducirían el coste de producción del hidrógeno verde hasta hacerlo competitivo con los combustibles fósiles.
El problema es que el espacio de materiales posibles es astronómicamente grande. Combinando los 118 elementos de la tabla periódica en distintas proporciones y estructuras cristalinas, el número de materiales estables posibles supera los 10 elevado a 100. Ningún equipo de investigadores humanos puede explorar ese espacio de forma exhaustiva.
GNoME: el sistema que descubrió 2,2 millones de materiales nuevos
Google DeepMind publicó en diciembre de 2023 en la revista Nature los resultados de GNoME, un modelo de aprendizaje profundo entrenado con datos cristalográficos de materiales conocidos para predecir la estabilidad de estructuras cristalinas nuevas.
El sistema predijo la existencia de 2,2 millones de cristales estables nuevos, de los cuales 380.000 fueron considerados los más prometedores para aplicaciones tecnológicas. Para validar el enfoque, colaboraron con el laboratorio autónomo de síntesis A-Lab de la Universidad de California en Berkeley, que fabricó físicamente 41 de los materiales predichos: 43 de cada 58 intentos fueron exitosos, una tasa de éxito del 71%, notablemente superior a los métodos experimentales convencionales.
Puedes acceder al artículo original y a la base de datos completa de materiales predichos directamente en la publicación de Nature, que DeepMind publicó con acceso abierto junto con el repositorio de datos.
Los materiales del futuro más prometedores que la IA ha identificado
Entre los 380.000 materiales más prometedores identificados por GNoME, los investigadores han señalado varias categorías de especial interés.
Los nuevos electrodos para baterías de estado sólido, que podrían multiplicar la densidad energética de las baterías de litio actuales. Los nuevos catalizadores para la producción de hidrógeno verde que no dependan de metales escasos como el platino. Los superconductores con temperaturas de transición más altas, que son el santo grial de la física de materiales desde hace décadas porque abrirían la puerta a redes eléctricas sin pérdidas.
Ninguno de estos materiales ha pasado todavía a producción industrial. La distancia entre predecir que un material podría existir y fabricarlo, caracterizarlo y validar sus propiedades en condiciones reales sigue siendo considerable. Pero el embudo de candidatos se ha multiplicado por un factor que ningún laboratorio humano podría haber generado.
España en la carrera por los materiales del futuro
El Centro de Investigación en Nanociencia y Nanotecnología de Barcelona, el Instituto de Ciencia de Materiales de Madrid y varios grupos del CSIC trabajan en la síntesis y caracterización de materiales avanzados, integrando progresivamente herramientas de inteligencia artificial en sus flujos de investigación.
La Agencia Estatal de Investigación ha incluido la ciencia de materiales asistida por IA como área prioritaria en sus convocatorias de proyectos de los últimos dos años, reconociendo que la combinación de modelos predictivos con laboratorios de síntesis automatizados puede acelerar significativamente el ritmo de descubrimiento.
Para más contexto sobre cómo la inteligencia artificial está transformando la investigación científica, en ExplicaIA tienes un artículo sobre demostración matemática con IA donde encontrarás el panorama de la IA aplicada a las ciencias exactas.
Los límites que GNoME y sus sucesores todavía no superan
Predecir que un material es termodinámicamente estable, que es lo que hace GNoME, es necesario pero no suficiente para su uso en aplicaciones reales. Un material puede ser estable y al mismo tiempo tóxico, difícil de sintetizar a escala, degradarse bajo condiciones normales de uso o tener propiedades distintas en bulk que en película delgada.
Las siguientes generaciones de modelos están empezando a incorporar estas condiciones adicionales de predicción, aprendiendo no solo la estabilidad sino también las propiedades funcionales que hacen a un material útil para una aplicación concreta.
En ExplicaIA seguimos de cerca los materiales del futuro con IA, porque cada nuevo material que la IA descubre y los laboratorios validan es un ladrillo potencial de tecnologías que todavía no sabemos que vamos a necesitar.