Investigadores del MIT han desarrollado SCIGEN, una herramienta que guía modelos de IA para crear materiales cuánticos innovadores, acelerando el descubrimiento de compuestos con propiedades exóticas útiles en computación cuántica.
Los modelos de inteligencia artificial que transforman texto en imágenes también han demostrado ser útiles en la generación de nuevos materiales. En los últimos años, empresas como Google, Microsoft y Meta han desarrollado modelos generativos que ayudan a los investigadores a diseñar decenas de millones de nuevos materiales. Sin embargo, cuando se trata de crear materiales con propiedades cuánticas exóticas, como la superconductividad o estados magnéticos únicos, estos modelos enfrentan dificultades significativas.
A pesar de una década de investigación en torno a una clase de materiales potencialmente revolucionarios para la computación cuántica, conocidos como líquidos cuánticos de espín, solo se han identificado una docena de candidatos. Esta limitación ha resultado en un cuello de botella que reduce las posibilidades de avances tecnológicos.
Investigadores del MIT han desarrollado una técnica innovadora que permite a los modelos generativos populares crear materiales cuánticos prometedores siguiendo reglas específicas de diseño. Estas reglas guían a los modelos para generar estructuras únicas que dan lugar a propiedades cuánticas.
“Los modelos de estas grandes empresas generan materiales optimizados para la estabilidad”, explica Mingda Li, profesor del MIT. “Nuestra perspectiva es que eso no es generalmente lo que impulsa el avance en la ciencia de materiales. No necesitamos 10 millones de nuevos materiales para cambiar el mundo; solo necesitamos uno realmente bueno”.
Este enfoque ha sido detallado en un artículo publicado por Nature Materials. Los investigadores aplicaron su técnica para generar millones de candidatos a materiales compuestos por estructuras geométricas asociadas con propiedades cuánticas, logrando sintetizar dos nuevos materiales con características magnéticas exóticas.
Las propiedades de un material están determinadas por su estructura, y los materiales cuánticos no son una excepción. Ciertas configuraciones atómicas tienen más probabilidades de dar lugar a propiedades cuánticas exóticas. Por ejemplo, las redes cuadradas pueden servir como plataforma para superconductores a alta temperatura, mientras que otras formas conocidas como redes Kagome y Lieb pueden facilitar la creación de materiales útiles para la computación cuántica.
Para ayudar a una clase popular de modelos generativos conocida como modelos de difusión a producir materiales que se ajusten a patrones geométricos específicos, los investigadores crearon SCIGEN, que significa Integración de Restricciones Estructurales en Modelos Generativos. Este código asegura que los modelos cumplan con las restricciones definidas por el usuario en cada paso iterativo.
Los modelos de difusión funcionan muestreando su conjunto de datos entrenados para generar estructuras que reflejan la distribución encontrada en dicho conjunto. SCIGEN bloquea generaciones que no se alinean con las reglas estructurales establecidas.
Para probar SCIGEN, los investigadores lo aplicaron a un modelo conocido como DiffCSP. Con este modelo equipado con SCIGEN, generaron más de 10 millones de candidatos con redes Archimedeanas, conocidas por sus propiedades cuánticas interesantes. De esos, un millón sobrevivieron a un cribado por estabilidad.
A través del uso de supercomputadoras del Laboratorio Nacional Oak Ridge, tomaron una muestra más pequeña de 26,000 materiales y realizaron simulaciones detalladas sobre el comportamiento atómico subyacente. Los resultados revelaron magnetismo en el 41% de esas estructuras.
A partir del subconjunto seleccionado, lograron sintetizar dos compuestos previamente desconocidos: TiPdBi y TiPbSb. Experimentos posteriores mostraron que las predicciones del modelo AI coincidían en gran medida con las propiedades reales del material.
Los líquidos cuánticos podrían desbloquear el potencial completo de la computación cuántica al permitir qubits estables y resistentes a errores. Sin embargo, hasta ahora no se ha confirmado ningún material líquido cuántico. Los investigadores creen que SCIGEN podría acelerar esta búsqueda crucial.
"Hay una gran búsqueda por encontrar materiales para computadoras cuánticas y superconductores topológicos", comenta Xie. "Pero el progreso experimental ha sido muy lento", añade Cava. "Generar muchos materiales así proporciona inmediatamente cientos o miles más candidatos para acelerar la investigación".
Drexel University Professor Steve May, quien no participó en la investigación, afirma: “Este trabajo presenta una nueva herramienta basada en aprendizaje automático que puede predecir qué materiales tendrán elementos específicos en un patrón geométrico deseado”. Esto debería acelerar el desarrollo de nuevos materiales para aplicaciones tecnológicas avanzadas.
Aunque SCIGEN representa un avance significativo, los investigadores subrayan que la experimentación sigue siendo fundamental para evaluar si los materiales generados por IA pueden ser sintetizados efectivamente y cómo sus propiedades reales se comparan con las predicciones del modelo.