Una IA aprende a relacionar la forma de los cristales con sus propiedades

Elegir un material para una batería, un sensor o una pieza electrónica no consiste solo en conocer qué elementos químicos contiene. También importa cómo quedan ordenados sus átomos en el espacio. Esa geometría puede cambiar la conductividad, la estabilidad o la manera en que un sólido responde al calor. Un equipo del Instituto Tecnológico de Massachusetts (MIT) desarrolló un sistema de inteligencia artificial que intenta aprender esa relación entre la forma tridimensional de los cristales y las palabras con que se describen sus propiedades.

Los cristales son sólidos cuyos átomos se repiten siguiendo un patrón. Muchos materiales de interés tecnológico tienen esa organización, pero su estructura suele almacenarse en bases de datos especializadas, muy distintas de los textos con los que se entrenan los modelos de lenguaje. Por eso, una IA que solo lee artículos científicos puede pasar por alto una parte crucial de la información: la disposición concreta de los átomos y de sus enlaces.

El modelo, llamado CLaC, reunió ambos tipos de datos. Sus autores lo entrenaron con estructuras cristalinas tridimensionales y con descripciones generadas para resumir composición, estructura, propiedades, procesamiento y posibles usos. Después compararon su desempeño con el de otra versión entrenada únicamente con textos de publicaciones. La versión que incorporaba las estructuras logró asociar mejor la geometría de los cristales con las descripciones en lenguaje natural.

En una de las pruebas, los investigadores pidieron al sistema que buscara materiales aptos para funcionar como electrolitos sólidos de iones de litio: sustancias que permiten el movimiento de carga dentro de una batería sin usar un líquido. Entre sus resultados mejor ubicados aparecieron candidatos que otros trabajos ya habían señalado como prometedores. El resultado no equivale a haber descubierto un nuevo electrolito ni a demostrar una batería operativa; muestra, en cambio, que el modelo puede ordenar hipótesis de forma más útil que un enfoque basado solo en textos.

Esa capacidad podría ahorrar tiempo en un campo con una cantidad enorme de combinaciones posibles. Antes de sintetizar y medir un material, los equipos pueden usar herramientas computacionales para decidir cuáles merecen una primera prueba. Si esas herramientas entienden mejor qué significa una determinada estructura atómica, podrían proponer listas más razonables de candidatos para el laboratorio.

El estudio también deja límites importantes. Las narrativas usadas para el entrenamiento fueron sintéticas y se construyeron a partir de información de propiedades, por lo que el buen desempeño en tareas de comparación no garantiza que el sistema anticipe el comportamiento de un material nuevo en condiciones reales. Las predicciones de una IA siguen necesitando comprobación experimental, sobre todo cuando se busca desarrollar componentes para baterías u otras tecnologías donde intervienen fabricación, impurezas, degradación y seguridad. La utilidad más inmediata de CLaC parece estar en orientar la exploración, no en reemplazar las pruebas con materiales reales.