Una IA del MIT busca diseñar materiales estables con menos prueba y error

Encontrar un material nuevo no suele empezar en el laboratorio, sino en una computadora que prueba enormes cantidades de combinaciones posibles. El problema es que muchas de esas propuestas fallan antes de llegar a una muestra real: pueden tener la propiedad deseada sobre el papel, pero ser químicamente inestables. Un equipo del MIT presentó ahora una herramienta de inteligencia artificial que intenta atacar ese cuello de botella desde más atrás, para que la búsqueda arranque con candidatos más plausibles y no con una pila de opciones destinadas al descarte.

El trabajo, publicado en Nature Computational Science, describe un sistema llamado CrysVCD. Su idea central es bastante directa: en vez de generar primero millones de materiales y filtrar después cuáles respetan reglas básicas de la química, incorpora esas restricciones desde el comienzo del proceso. Así, la inteligencia artificial no solo busca un material con cierta propiedad útil, como conducir mejor el calor o responder mejor a un campo eléctrico, sino que también evita desde el arranque muchas recetas que ya nacen con problemas.

Para lograrlo, los investigadores combinaron dos tipos de modelos. El primero funciona como un filtro de fórmulas químicas: propone composiciones que respetan mejor el balance de valencias, es decir, el reparto de electrones que hace viable a una estructura. El segundo toma esas composiciones y genera la arquitectura atómica del cristal. En lenguaje menos técnico, el sistema intenta decidir primero si la “receta” tiene sentido y solo después imaginar cómo se ordenarían sus átomos.

Ese cambio importa porque el paso de validación suele ser el más caro. Según la nota del MIT, buena parte del costo computacional de buscar materiales útiles se va en descartar estructuras inestables, un proceso que puede llevar semanas o meses. El nuevo enfoque no elimina esa comprobación, pero sí reduce la cantidad de candidatos absurdos que llegan a esa etapa. En las pruebas reportadas por el equipo, el método logró estabilidad dinámica de red en cerca del 70 por ciento de las generaciones computacionales y, cuando se ajustó con métricas de estabilidad, produjo materiales con 68 por ciento de estabilidad mecánica y 85 por ciento de metastabilidad.

La importancia práctica del avance no está solo en mejorar un número. En sectores donde el diseño de materiales define el rendimiento final, filtrar mejor al comienzo puede acelerar mucho la investigación. Los autores usaron su método para proponer compuestos con alta conductividad térmica y con alta constante dieléctrica, dos rasgos relevantes para la industria de semiconductores. En particular, los materiales que disipan calor con eficiencia son de interés para centros de datos, donde la refrigeración consume una fracción importante de la energía total.

También hay una cuestión de acceso. Los laboratorios o empresas con grandes presupuestos pueden permitirse generar millones de estructuras y gastar después enormes recursos en cribar las inviables. Para grupos más pequeños, esa estrategia es mucho menos realista. Si un sistema como CrysVCD consigue mejorar la proporción de candidatos útiles antes de la etapa más costosa, podría volver más accesible una parte del diseño computacional de materiales que hoy favorece a quienes tienen más capacidad de cálculo.

Eso no significa que la inteligencia artificial ya esté “inventando” materiales listos para fabricarse. El estudio sigue siendo computacional y se concentra en materiales cristalinos con estructuras muy ordenadas, no en cualquier sustancia posible. Además, que una estructura parezca estable en estas pruebas no garantiza por sí solo que pueda sintetizarse fácilmente, que sea barata o que mantenga ese desempeño fuera de la simulación. En ciencia de materiales, el paso entre una buena predicción y un material útil sigue dependiendo de experimentos reales.

Aún con esas reservas, el trabajo apunta a un cambio interesante en la forma de usar IA en este campo. En lugar de confiar en modelos que generan mucho y corrigen después, propone incorporar conocimiento químico básico dentro del propio acto de generar. Si ese enfoque se consolida, podría ayudar a que la búsqueda de materiales para chips, refrigeración o energía deje de ser tan parecida a comprar miles de boletos de lotería y se acerque más a una exploración guiada por reglas que ya sabemos que la materia no suele romper.