Inteligencia artificial que predice materiales podría revolucionar la electrónica, las baterías y las células solares

El libro de cocina de materiales de repente ha crecido decenas de veces más.

Las tecnologías modernas, desde la electrónica hasta los aviones, se basan en sólo 20.000 materiales inorgánicos, en gran parte descubiertos mediante prueba y error.

Los científicos han predicho, pero no han hecho, decenas de miles más.

Sin embargo, investigadores informan que con una nueva inteligencia artificial (IA) han predicho los ingredientes y propiedades de otros 2,2 millones de materiales.

En un estudio complementario, un equipo independiente demostró que los materiales previstos se pueden fabricar de manera eficiente, nuevamente con la ayuda de la IA.

En conjunto, dicen los investigadores, los informes presagian una nueva era de la ciencia de los materiales, en la que los programas de inteligencia artificial y los robots impulsarán la búsqueda de nuevas baterías, superconductores y catalizadores.

“Es muy impresionante“, afirma Andrew Rosen, científico de materiales computacionales de la Universidad de Princeton.

Las predicciones son otro golpe de los innovadores en inteligencia artificial de DeepMind, una filial de Google.

El mes pasado, describieron un algoritmo de inteligencia artificial que se ejecuta en computadoras portátiles y puede predecir el clima con tanta precisión como los grandes modelos controlados por supercomputadoras.

Antes de eso, DeepMind desarrolló AlphaFold, una IA que es capaz de predecir la forma 3D de cientos de millones de proteínas diferentes solo a partir de su secuencia de aminoácidos.

El nuevo trabajo, dice Rosen, “es el equivalente de AlphaFold para la ciencia de materiales”.

Al igual que los logros anteriores de DeepMind, este entrenó una IA con una gran cantidad de datos.

Los investigadores comenzaron con el Proyecto Materiales, una base de datos de todos los cristales inorgánicos conocidos y previstos.

Esa base de datos incluye no sólo la estructura cristalina de cada material, sino también propiedades como su estructura electrónica, comportamiento magnético y dureza.

Durante la última década, los equipos del Proyecto de Materiales han introducido datos sobre los 20.000 cristales inorgánicos conocidos en algoritmos de aprendizaje automático de coincidencia de patrones para predecir otros 28.000 cristales inorgánicos que deberían ser estables.

Para su trabajo actual, los investigadores de DeepMind, dirigidos por Dogus Cubuk, quien dirige el descubrimiento de materiales para la compañía, utilizaron los datos de esos 48.000 compuestos conocidos y predichos, así como información de otras bases de datos relacionadas, para entrenar un modelo de IA de “aprendizaje activo”.

Apodado GNoME (por Graph Networks for Materials Exploration), la IA puede detectar patrones más allá de los de los datos de entrenamiento originales.

Hizo una ronda inicial de predicciones sobre posibles nuevos cristales estables y calculó sus propiedades.

Luego, el equipo agregó los resultados a los datos de entrenamiento y repitió el ciclo.

Después de varias rondas de este tipo, GNoME terminó con predicciones para los 2,2 millones de nuevos compuestos.

La “energía de formación” calculada (una medida de estabilidad) para 381.000 de ellos sugirió que si los investigadores pudieran sintetizarlos, deberían ser estables y no descomponerse en otras estructuras.

Entre los hallazgos se encuentran materiales en capas como los utilizados en los electrodos de las baterías.

Mientras que el Proyecto de Materiales identificó 1.000 compuestos de este tipo, GNoME predijo 52.000, incluidos 528 conductores de iones de litio, un tipo de material fundamental para las mejores baterías de la actualidad.

Cubuk también señala que, a diferencia de los cristales predichos anteriormente, que en su mayoría combinaban dos, tres o cuatro elementos, muchas de las estructuras predichas por DeepMind contienen cinco e incluso seis elementos.

“Esto es realmente emocionante”, dice Alexander Ganose, químico de materiales del Imperial College de Londres.

“Está permitiendo el descubrimiento de materiales en un rango de composición mucho más amplio.

Es posible que podamos encontrar los materiales del futuro en este conjunto de datos”.

En realidad, el siguiente paso es sintetizar los materiales, tradicionalmente un proceso de prueba y error que puede llevar meses o años para un solo compuesto.

“Predecir algo es agradable”, afirma Janine George, científica de materiales computacionales del Instituto Federal de Investigación y Ensayo de Materiales de Berlín. “Pero hacerlo es realmente genial”.

Los puntos de referencia externos sugieren que la tasa de éxito de GNoME en la predicción de estructuras estables alcanza el 80%, frente al 50% logrado por algoritmos anteriores.

Y los investigadores de DeepMind señalan que experimentadores independientes ya han fabricado 736 de los materiales previstos, verificando su estabilidad.

Cubuk dice que incluso los materiales que no están seguros de ser estables podrían ser extremadamente duraderos, del mismo modo que el diamante sobrevive mil millones de años o más antes de descomponerse en grafito.

Un tipo diferente de IA podría ayudar a sintetizar más predicciones de GNoME, sugiere otro artículo.

Investigadores del Laboratorio Nacional Lawrence Berkeley, dirigidos por el científico de materiales Gerbrand Ceder, construyeron recientemente un laboratorio de robótica impulsado por inteligencia artificial para fabricar nuevos materiales previstos.

Ahora, él y sus colegas informan que esta configuración aprendió rápidamente a refinar recetas para sintetizar nuevos compuestos predichos por el algoritmo del Proyecto Materiales.

En 17 días, los robots sintetizaron con éxito 41 materiales de los 58 que intentaron.

Los investigadores de DeepMind dicen que publicarán de inmediato datos sobre los 381.000 compuestos que se prevé sean estables y pondrán a disposición del público el código de su IA.

En última instancia, es posible que publiquen los 2,2 millones de recetas.

Pero Ganose, por su parte, no quiere esperar.

Estudiar toda la panoplia podría ayudar a los científicos a determinar mejor qué permite que algunos compuestos sean estables mientras que otros lo son menos.

“Si esto se mantiene bajo llave, será una verdadera pérdida para la ciencia“, dice Ganose.

Cubuk, sin embargo, señala que con casi 10 veces más objetivos a los que apuntar que nunca antes, los científicos de materiales ya tienen mucho para mantener ocupadas sus cocinas de prueba.

Fuente: Science