Los modelos de inteligencia artificial generativa han revolucionado la creación de vastas bibliotecas de materiales teóricos, ofreciendo soluciones a diversos problemas. Sin embargo, el desafío persiste: ¿cómo sintetizar estos materiales?
La síntesis de materiales no es un proceso tan simple como seguir una receta culinaria. Factores como la temperatura y el tiempo de procesamiento pueden alterar drásticamente las propiedades de un material, lo que limita la capacidad de los investigadores para experimentar con millones de materiales prometedores generados por modelos.
Innovación en la síntesis de materiales
Investigadores del MIT han desarrollado un modelo de inteligencia artificial que orienta a los científicos en la creación de nuevos materiales al sugerir rutas de síntesis efectivas. En un reciente estudio publicado en Nature Computational Science, se demostró que este modelo ofrece una precisión excepcional al predecir caminos de síntesis para una clase específica de materiales conocidos como zeolitas, que tienen aplicaciones en catálisis, absorción e intercambio iónico. Gracias a sus recomendaciones, el equipo logró sintetizar un nuevo material zeolita con mejor estabilidad térmica.
El autor principal del estudio, Elton Pan, candidato a doctorado en el Departamento de Ciencia e Ingeniería de Materiales del MIT, explica: “Sabemos qué tipo de pastel queremos hacer, pero actualmente no sabemos cómo hornearlo”. La síntesis de materiales se basa en gran medida en la experiencia y el ensayo y error.
Eficiencia mediante IA
Las inversiones masivas en inteligencia artificial generativa han llevado a empresas como Google y Meta a crear extensas bases de datos repletas de recetas para materiales que poseen características deseables, como alta estabilidad térmica y absorción selectiva. Sin embargo, la producción real de estos materiales puede requerir semanas o meses debido a experimentos meticulosos que evalúan temperaturas específicas, tiempos y proporciones.
“Las personas confían en su intuición química para guiar el proceso”, señala Pan. “Los humanos tienden a ser lineales; si hay cinco parámetros, mantenemos cuatro constantes y variamos uno linealmente. Pero las máquinas son mucho más eficaces razonando en un espacio multidimensional.”
Difusión y descubrimiento
Para facilitar este proceso complejo, los investigadores del MIT entrenaron un modelo generativo sobre más de 23,000 recetas de síntesis recogidas durante 50 años en artículos científicos. Durante el entrenamiento, añadieron aleatoriamente "ruido" a las recetas, permitiendo que el modelo aprendiera a eliminar dicho ruido y encontrar rutas prometedoras.
El resultado es DiffSyn, que utiliza un enfoque conocido como difusión en IA. “Los modelos de difusión son esencialmente modelos generativos similares a ChatGPT, pero más comparables al modelo DALL-E para generación de imágenes”, explica Pan. “Durante la inferencia, convierte ruido en estructuras significativas restando un poco de ruido en cada paso.” En este contexto, la “estructura” se refiere a la ruta sintética deseada para un material específico.
Sugerencias precisas para científicos
Cundo un científico introduce una estructura material deseada en DiffSyn, el modelo proporciona combinaciones prometedoras relacionadas con temperaturas reactivas, tiempos y proporciones adecuadas. “Básicamente te dice cómo hornear tu pastel”, comenta Pan. “Tienes una idea del pastel que quieres hacer; introduces eso en el modelo y este genera las recetas.” Los científicos pueden elegir entre las diferentes rutas sintéticas sugeridas.
En sus pruebas iniciales, los investigadores utilizaron DiffSyn para proponer nuevas rutas sintéticas para una zeolita compleja. “Las zeolitas tienen un espacio sintético muy alto-dimensional”, añade Pan. “Además, suelen tardar días o semanas en cristalizarse; por lo tanto, encontrar rápidamente la mejor ruta sintética tiene un impacto mucho mayor que otros materiales que cristalizan en horas.”
Pensando más allá: múltiples posibilidades
A diferencia de enfoques anteriores que vinculaban cada material con una única receta, DiffSyn está diseñado para mapear estructuras materiales a múltiples posibles rutas sintéticas. Esto representa un cambio significativo hacia una comprensión más precisa del proceso experimental real.
"Este es un cambio paradigmático", subraya Pan. "Pasamos del mapeo uno-a-uno entre estructura y síntesis a uno-a-muchos." Este avance ha permitido obtener resultados destacados en diversas pruebas comparativas.
Perspectivas futuras en investigación material
A medida que avanzan sus investigaciones, los expertos consideran que este enfoque podría aplicarse también a otros tipos de materiales más allá de las zeolitas. No obstante, reconocen que el mayor obstáculo actualmente es encontrar datos de alta calidad sobre distintas clases materiales.
"Este enfoque podría extenderse a otros materiales", concluye Pan. "Eventualmente aspiramos a integrar estos sistemas inteligentes con experimentos autónomos del mundo real." La meta final es acelerar notablemente el diseño y descubrimiento de nuevos materiales mediante razonamientos automáticos basados en retroalimentación experimental.
Este trabajo ha contado con el apoyo del Programa Internacional de Ciencia y Tecnología del MIT (MISTI), la Fundación Nacional Científica (NSF), Generalitat Valenciana, Oficina de Investigación Naval (ONR), ExxonMobil y la Agencia para Ciencia, Tecnología e Investigación (A*STAR) en Singapur.
Si (
No(
