El modelo combina lenguaje con información tridimensional sobre estructuras cristalinas. La herramienta busca mejorar la identificación de materiales con propiedades útiles para baterías y otras tecnologías.
Investigadores del Instituto Tecnológico de Massachusetts desarrollaron un modelo de inteligencia artificial que combina descripciones escritas con información sobre la estructura tridimensional de materiales cristalinos. El objetivo es ayudar a identificar sustancias con propiedades útiles para futuras aplicaciones industriales y científicas.
Los materiales cristalinos están formados por átomos organizados en patrones estructurados. Su geometría y los enlaces entre esos átomos influyen en características como la estabilidad, la conductividad y el comportamiento bajo determinadas condiciones. Comprender esa relación es fundamental para diseñar materiales destinados a baterías, electrónica, energía y otros sectores.
Los modelos de lenguaje tradicionales aprenden principalmente a partir de textos. Eso limita su capacidad para interpretar directamente estructuras físicas que se representan mediante coordenadas, gráficos o datos computacionales. Además, la literatura científica disponible no cubre de manera equilibrada todos los tipos de materiales, lo que puede hacer que un sistema reproduzca los sesgos de los ejemplos más frecuentes.
El equipo del MIT intentó superar ese problema creando descripciones textuales que incorporan información sobre las estructuras cristalinas, su composición, propiedades, procesamiento y posibles aplicaciones. De esta manera, el modelo puede relacionar las palabras utilizadas por los científicos con características geométricas de los materiales.
Los investigadores entrenaron el sistema para conectar estructuras y descripciones mediante una técnica que compara ejemplos similares y diferentes. Después evaluaron si esa representación combinada permitía identificar materiales adecuados para funciones concretas.
En una de las pruebas, el modelo recibió una consulta sobre materiales que podrían servir como electrolitos sólidos para baterías de iones de litio. Entre sus principales resultados aparecieron candidatos que otras investigaciones habían identificado de forma independiente como prometedores.
El resultado sugiere que incorporar información estructural puede mejorar las predicciones frente a modelos entrenados solamente con textos científicos. No significa, sin embargo, que la inteligencia artificial haya descubierto por sí sola una batería comercial lista para fabricar. Identificar un candidato es apenas una etapa inicial: los materiales deben estudiarse, sintetizarse y evaluarse mediante experimentos para determinar su rendimiento y estabilidad.
El desarrollo podría resultar útil en una disciplina donde el espacio de materiales posibles es enorme. Probar todas las combinaciones de elementos y estructuras sería costoso y llevaría mucho tiempo. Una herramienta capaz de priorizar candidatos puede ayudar a los investigadores a decidir qué composiciones conviene estudiar primero.
Los científicos esperan que la técnica pueda adaptarse a distintas familias de materiales y que otros grupos la utilicen para acelerar sus investigaciones. También será necesario comprobar cómo se comporta en problemas diferentes de aquellos utilizados para evaluarla y si las predicciones se mantienen al pasar de los datos computacionales al laboratorio.
El trabajo se publicó en la revista Nature Communications. Su importancia no está en reemplazar a los especialistas en ciencia de materiales, sino en desarrollar sistemas que relacionen información que suele encontrarse separada en bases de datos, publicaciones y representaciones tridimensionales.
A medida que la inteligencia artificial se incorpora a la investigación científica, una de las oportunidades más relevantes consiste en reducir el tiempo que transcurre entre una pregunta y la identificación de candidatos que merecen ser estudiados experimentalmente. El desafío será convertir esas predicciones en materiales reales, seguros y económicamente viables.
