De baterías a materiales del futuro: el MIT creó una IA que podría identificar compuestos prometedores

Encontrar el material ideal para una tecnología específica podría volverse tan sencillo como describirle a una inteligencia artificial qué propiedades debe tener. Investigadores del Instituto de Tecnología de Massachusetts (MIT) desarrollaron un modelo que no solo procesa texto, sino que puede “ver” cómo están organizados los átomos de un material en tres dimensiones y razonar sobre sus características y usos. El sistema, descrito en la revista Nature Communications, podría acelerar un proceso de descubrimiento que hoy puede llevar años de prueba y error, informó MIT News, el portal de noticias del instituto.

Los cristales poseen disposiciones atómicas altamente ordenadas y representan más del 90% de los materiales sólidos de la Tierra. Sin embargo, los modelos de inteligencia artificial actuales enfrentan dos limitaciones para trabajar con ellos: la literatura experimental se concentra en unas pocas clases de cristales, lo que sesga sus respuestas hacia esos materiales, y al estar entrenados solo con texto, no pueden interpretar las estructuras tridimensionales que definen el comportamiento de un cristal.

Para superar esas barreras, el modelo desarrollado combina las estructuras atómicas en 3D con descripciones en lenguaje natural obtenidas de publicaciones experimentales y bases de datos computacionales basadas en primeros principios. En lugar de depender exclusivamente de trabajos ya publicados, el equipo optó por generar narrativas sobre los materiales a partir de esas fuentes. “Descubrimos que, cuando usamos ese conjunto de datos narrativo, los modelos predicen mejor la función”, explicó Ju Li, profesor Carl Richard Soderberg de Ingeniería de Potencia en los departamentos de Ciencia e Ingeniería de Materiales y de Ciencia e Ingeniería Nuclear del MIT.

El resultado es una caracterización que reúne composición química, estructura, propiedades, consideraciones de procesamiento y aplicaciones potenciales.

La estructura atómica como vínculo con el desempeño

El equipo empleó aprendizaje contrastivo, un método que entrena al modelo mediante la comparación entre ejemplos similares y diferentes de estructuras y descripciones. Así buscó construir una comprensión compartida entre la disposición espacial de los átomos y el lenguaje utilizado para describirla.

“La estructura está realmente en el centro del campo de la ciencia de materiales”, afirmó Li. “Si se entiende la estructura, se puede inferir bastante sobre las propiedades y el desempeño de los materiales. Queríamos construir para el modelo la conexión entre la estructura atómica de un material y sus propiedades y procesamiento”.

Para validar el enfoque, la investigación comparó dos versiones del sistema: una entrenada con descripciones generadas por inteligencia artificial y otra alimentada únicamente con textos de artículos científicos. La primera logró relacionar las geometrías cristalinas con sus descripciones lingüísticas; la segunda no alcanzó esa asociación.

Búsqueda de electrolitos para baterías de estado sólido

Los investigadores mostraron que el modelo puede recibir una consulta en lenguaje natural que describa una propiedad y, a partir de ella, identificar materiales cristalinos con esa característica.

Cuando se le pidió encontrar materiales aptos para electrolitos de baterías de litio de estado sólido, los primeros resultados incluyeron compuestos que ya habían sido señalados de forma independiente como candidatos prometedores.

“A veces se producen estos saltos dentro de la ciencia de materiales en torno a la integración algorítmica hacia herramientas útiles, que la comunidad utiliza para seguir avanzando en el campo”, dijo Elsa Olivetti, profesora Jerry McAfee (1940) de Ingeniería en el Departamento de Ciencia e Ingeniería de Materiales del MIT.

“Este enfoque nos ayuda a observar con mayor profundidad las estructuras tridimensionales y a vincularlas con las propiedades y el procesamiento. Espero que pueda ser uno de esos saltos”, agregó.

Li comparó el potencial de esta herramienta con AlphaFold, el modelo de inteligencia artificial que relaciona las estructuras de las proteínas con sus funciones y que contribuyó a la investigación biológica y al desarrollo de fármacos. “Poder ver un cristal tridimensional y cómo están conectados sus átomos es algo fundamental. Creo que esto será útil para cualquiera que practique la ciencia de materiales”, sostuvo.