Fuente original: Academic Headlines
![]()
Fuente de la imagen: Generado por Unbounded AI
En solo 17 días, la inteligencia artificial (IA) ha creado 41 nuevos materiales por sí sola, más de dos por día.
Por el contrario, los científicos humanos pueden tardar meses de prueba y error en crear un nuevo material.
Hoy en día, el laboratorio de IA, llamado A-Lab, aparece en la prestigiosa revista científica Nature. **
![]()
De acuerdo con la introducción, **A-Lab es un laboratorio donde los robots guiados por IA fabrican nuevos materiales, que pueden descubrir rápidamente nuevos materiales con una mínima intervención humana, lo que puede ayudar a identificar y acelerar los materiales en múltiples campos de investigación, incluidas las baterías, el almacenamiento de energía, las células solares, las pilas de combustible, etc.
Cabe mencionar que en una misión de prueba, A-Lab sintetizó con éxito 41 de los 58 materiales previstos, con una tasa de éxito del 71%.
![]()
Los datos de la prueba provienen del Proyecto de Materiales, una base de datos de acceso abierto del Laboratorio de Berkeley, y de la herramienta de aprendizaje profundo Graph Networks for Materials Exploration (GNoME) desarrollada por Google DeepMind.
También hoy, GNoME de Google DeepMind aparece en Nature, contribuyendo con casi 400.000 nuevos compuestos al Proyecto de Materiales, la mayor adición de nuevos datos de estabilidad estructural por parte de un solo equipo desde el inicio del proyecto, lo que aumenta en gran medida los recursos de acceso abierto que los científicos pueden utilizar para inventar nuevos materiales para tecnologías futuras.
Kristin Persson, fundadora y directora del Proyecto de Materiales en Berkeley Lab y profesora de la Universidad de California, Berkeley, dijo: "Para resolver los desafíos ambientales y climáticos globales, debemos crear nuevos materiales. Con la innovación de materiales, podemos desarrollar plásticos reciclables, aprovechar la energía residual, fabricar mejores baterías y construir paneles solares más baratos y duraderos, entre otras cosas**. "
Con la IA, es más rápido fabricar y probar nuevos materiales
El desarrollo de nuevas tecnologías a menudo requiere nuevos materiales. Sin embargo, fabricar un material no es una tarea fácil.
Los científicos han calculado cientos de miles de nuevos materiales, pero probar si se pueden fabricar en la realidad es un proceso lento. Un material tarda mucho tiempo en pasar del cálculo a la comercialización. Debe tener los atributos adecuados, ser capaz de funcionar en el dispositivo, ser escalable y tener la rentabilidad y el rendimiento adecuados.
![]()
Hoy en día, gracias a las supercomputadoras y las simulaciones, los investigadores ya no tienen que tratar ciegamente de crear material desde cero.
En este trabajo, el equipo de Google DeepMind entrenó a GNoME utilizando flujos de trabajo y datos desarrollados por el Proyecto de Materiales durante una década y mejoró el algoritmo GNoME a través del aprendizaje activo.
Como resultado, GNoME produjo 2,2 millones de estructuras cristalinas, de las cuales 380.000 se incluyeron en el Proyecto de Materiales y se predijo que serían estables. Estos datos incluyen la disposición de los átomos del material (estructura cristalina) y la estabilidad (energía de formación).
![]()
El compuesto Ba₆Nb₇O₂₁ es uno de los nuevos materiales calculados por GNoME y contiene bario (azul), niobio (blanco) y oxígeno (verde).
Según el documento, GNoME ha mejorado la precisión de la predicción de la estabilidad estructural a más del 80%, y la precisión de la predicción de los componentes al 33% por cada 100 ensayos (en comparación con el 1% en trabajos anteriores).
Ekin Dogus Cubuk, jefe del equipo de descubrimiento de materiales de Google DeepMind, dijo: «Esperamos que el proyecto GNoME avance en la investigación de cristales inorgánicos. Más de 736 nuevos materiales descubiertos por GNoME han sido validados por investigadores externos a través de experimentos físicos independientes, demostrando que el descubrimiento de nuestro modelo se puede lograr en el laboratorio. "
Sin embargo, el equipo de investigación también señala en el artículo que todavía hay algunas preguntas abiertas sobre GNoME en aplicaciones prácticas, incluida la estabilidad dinámica causada por las transiciones de fase, los perfiles vibratorios y la entropía de configuración causada por los polimorfos competidores, así como una comprensión más profunda de la capacidad de síntesis final.
Para crear los nuevos compuestos predichos por el Proyecto de Materiales, la IA de A-Lab creó nuevas formulaciones mediante el estudio de artículos científicos y su ajuste mediante el aprendizaje activo.
Gerd Ceder, científico del Laboratorio de Berkeley y de la Universidad de California en Berkeley, investigador principal del A-Lab, dijo: "Hemos tenido una asombrosa tasa de éxito del 71 por ciento, y hemos encontrado algunas formas de mejorar. Hemos demostrado que la combinación de teoría y datos con automatización produce resultados increíbles. Podemos fabricar y probar materiales más rápido que nunca. "
Según los informes, con algunos pequeños cambios en el algoritmo de toma de decisiones, esta tasa de éxito se puede aumentar al 74%, y si se mejora la tecnología informática, la tasa de éxito se puede aumentar aún más al 78%.
“No solo queremos que los datos que producimos sean gratuitos y utilizables para acelerar el diseño de materiales en todo el mundo, sino que también queremos enseñar al mundo lo que las computadoras pueden hacer por las personas”, dijo Persson. Pueden escanear una amplia gama de nuevos compuestos y propiedades de manera más eficiente y rápida que los experimentos solos. "
Con la ayuda de empresas como A-Lab y GNoME, los científicos pueden centrarse en materiales prometedores para tecnologías futuras, como aleaciones más ligeras que mejoran el ahorro de combustible en los automóviles, células solares más eficientes que mejoran la eficiencia de la energía renovable o transistores más rápidos en los ordenadores de próxima generación.
Potencial de aplicación comprobado
Actualmente, el Proyecto de Materiales está procesando más compuestos de Google DeepMind y añadiéndolos a una base de datos en línea. Los nuevos datos se pondrán a disposición de los investigadores de forma gratuita y también se incorporarán a proyectos como A-Lab, que colabora con el Proyecto de Materiales.
![]()
Figura: Estructuras de 12 compuestos en la base de datos del Proyecto de Materiales.
Durante la última década, los investigadores han confirmado experimentalmente la utilidad de nuevos materiales en una serie de áreas, basándose en pistas de los datos del Proyecto de Materiales. Algunos de ellos han mostrado potencial de aplicación, tales como:
- En captura de carbono (extracción de dióxido de carbono de la atmósfera)
- Como fotocatalizador (un material que acelera las reacciones químicas bajo la acción de la luz, que se puede utilizar para descomponer contaminantes o producir hidrógeno)
- Como material termoeléctrico (material que ayuda a aprovechar el calor residual y convertirlo en energía eléctrica)
- Como conductor transparente (se puede utilizar para células solares, pantallas táctiles o LED)
Por supuesto, encontrar estos materiales potenciales es solo uno de los muchos pasos para resolver algunos de los principales desafíos tecnológicos que enfrenta la humanidad.
**Además de las dos investigaciones anteriores, la IA ha logrado muchos avances en el descubrimiento y la síntesis de nuevos materiales en los últimos años. **
En 2020, un equipo de investigación de varias agencias, incluido el Instituto Nacional de Estándares y Tecnología (NIST), desarrolló un algoritmo de IA llamado CAMEO que descubrió de forma autónoma un nuevo material potencialmente útil sin capacitación adicional por parte de los científicos.
![]()
Figura | El proceso de CAMEO para encontrar nuevos materiales en una operación de circuito cerrado (Fuente: NIST)
Ese mismo año, investigadores de la Universidad Estatal de Carolina del Norte y la Universidad de Buffalo desarrollaron una tecnología llamada “Artificial Chemist”, que combina IA y sistemas automatizados que realizan reacciones químicas para acelerar la investigación y el desarrollo y la producción de nuevos materiales químicos necesarios para los negocios.
En 2022, nanoingenieros de la Facultad de Ingeniería de la Universidad de California en San Diego desarrollaron un algoritmo de IA, M3GNet, que puede predecir las propiedades estructurales y dinámicas de cualquier material, ya sea existente o nuevo, de forma casi instantánea. Los investigadores pueden usarlo para encontrar electrodos y electrolitos más seguros y de mayor densidad de energía para baterías recargables de iones de litio.
![]()
Figura | Diagrama esquemático de la energía potencial del diagrama multicuerpo y de los principales módulos de cálculo (Fuente: Universidad de California, San Diego)
En marzo, un estudio publicado en Nature Synthesis imaginó un futuro de ciencia de materiales acelerada impulsada por el desarrollo conjunto de tecnologías de síntesis combinatoria e inteligencia artificial. Para evaluar la aplicabilidad de las técnicas de síntesis a flujos de trabajo experimentales específicos, los investigadores establecieron un conjunto de diez métricas que cubren la velocidad de síntesis, la escalabilidad, el rango y la calidad de la síntesis, y resumieron algunas técnicas de síntesis combinatoria selectiva en el contexto de estas métricas.
** Como base y precursora de la alta tecnología, los nuevos materiales tienen una amplia gama de aplicaciones, y se ha convertido en el campo más importante y prometedor del siglo XXI junto con la tecnología de la información y la biotecnología. **
En el futuro, con los avances en tecnologías como la IA, se espera que los científicos se centren en materiales que sean más prometedores en las tecnologías futuras, como aleaciones más ligeras que mejoren el ahorro de combustible en los automóviles, células solares más eficientes que promuevan la energía renovable y transistores más rápidos que desempeñarán un papel en la próxima generación de computadoras.
Enlaces de referencia:
