La inteligencia artificial (IA) acelerará el descubrimiento de materiales, pero la experiencia y la educación humanas seguirán siendo fundamentales para la innovación responsable y sostenible.
Los nuevos materiales sirven como base para importantes avances tecnológicos, proporcionando avances importantes en áreas como la electrónica, la robótica y los dispositivos médicos de próxima generación. Tradicionalmente, su desarrollo se ha basado en investigaciones de prueba y error costosas, que requieren mucho tiempo y trabajo. Además, el ritmo del descubrimiento de nuevos materiales se ve obstaculizado por el vasto espacio de diseño. Como resultado, el plazo promedio para llevar nuevos materiales desde el concepto inicial hasta la comercialización suele ser de 10 a 20 años. ¹
Cómo la IA está acelerando el ritmo de la investigación y el descubrimiento
Los métodos de IA ahora pueden predecir, descubrir y optimizar materiales mucho más rápido y eficientemente. Por ejemplo, la herramienta de aprendizaje profundo Graph Networks for Materials Exploration (GNoME) de Google predijo 2,2 millones de nuevos cristales e identificó alrededor de 380.000 como materiales estables. ² Ya, 736 de ellos han sido sintetizados por investigadores, validando el poder predictivo de la IA. Además, el sistema de síntesis autónomo impulsado por IA pudo generar 41 nuevos compuestos en solo 17 días.
La integración de restricciones estructurales en modelos generativos (SCIGEN) generó más de 10 millones de materiales candidatos con estructuras reticulares específicas asociadas con propiedades cuánticas, de los cuales 1 millón pasaron el análisis de estabilidad. ⁴ Se sintetizaron dos compuestos novedosos, TiPd0.22Bi0.88 y Ti0.5Pd1.5Sb, y se confirmó que exhiben un comportamiento paramagnético y diamagnético, lo que demuestra la capacidad de la IA para unir la realidad del diseño computacional y experimental. Sin embargo, acelerar el descubrimiento es sólo el primer paso hacia la innovación. Traducir las predicciones de la IA en materiales fabricables sigue dependiendo del procesamiento, la fabricación y el análisis económico que requiere el juicio de expertos y la coordinación interdisciplinaria.
La IA acelera los descubrimientos, pero estos avances deben basarse en la comprensión atomística que proporcionan las simulaciones de materiales con base física. Las simulaciones tradicionales de la teoría funcional de la densidad (DFT) y la dinámica molecular (MD) son poderosas para describir y predecir las propiedades de los materiales a nivel atómico, pero son computacionalmente costosas y de escala limitada. Los potenciales interatómicos de aprendizaje automático (MLIP) entrenados en grandes conjuntos de datos como OMol25 contienen más de 100 millones de evaluaciones DFT en aproximadamente 83 millones de sistemas moleculares únicos y pueden lograr una precisión cercana a la DFT con costos computacionales significativamente reducidos. ⁵ El marco optimizado proporciona un rendimiento más rápido para las tareas MD, reduciendo aún más la brecha entre la simulación de alta precisión y la facilidad de uso práctica. Sin embargo, lograr una precisión de nivel DFT en sistemas complejos sigue siendo un tema de investigación activo. Juntos, DFT y MD mejorados con IA redefinirán el modelado atomístico y acelerarán la exploración de miles a millones de estructuras candidatas en los dominios de energía, catálisis, baterías y biomateriales.
La IA puede cerrar el círculo entre la simulación y la experimentación a través de flujos de trabajo totalmente autónomos basados en datos. El Laboratorio de Experimentación Autónoma y Conducción Autónoma (SDL) describe un sistema en el que la IA, la robótica y los procesos automatizados trabajan juntos en un sistema de circuito cerrado para acelerar la investigación científica. Por ejemplo, los SDL de flujo dinámico recientes han adquirido datos de reacción con una resolución 10 veces mayor en un tiempo récord, lo que permite identificar materiales inorgánicos prometedores en una sola pasada, lo que reduce significativamente el número total de experimentos y la pérdida de tiempo y materiales. ⁶ Otro avance muestra sistemas robóticos de autocontrol que mapean las propiedades de los semiconductores. Durante un período de 24 horas, el sistema realizó sondas de forma autónoma en 3025 puntos de predicción.⁷ Estos ejemplos demuestran cómo SDL puede transformar los cronogramas de descubrimiento, haciendo que los experimentos sean más rápidos, más inteligentes y más eficientes en el uso de recursos.
Experiencia humana y capacidades de IA: un enfoque combinado
Si bien estos éxitos son impresionantes, también ponen de relieve una realidad igualmente importante. Eso significa que la IA por sí sola no puede reemplazar el juicio matizado y la profunda intuición científica de los expertos humanos. Los algoritmos son excelentes para generar grandes cantidades de materiales candidatos y predecir métricas de rendimiento, pero sólo los investigadores experimentados pueden evaluar rigurosamente la viabilidad sintética, los principios físicos y químicos, la escalabilidad a cantidades industriales, las consideraciones de seguridad y la sostenibilidad ambiental a largo plazo. Los equipos de descubrimiento impulsados por IA más eficaces son aquellos en los que los especialistas del dominio aplican la intuición científica para filtrar candidatos generados por IA, evitar costosos callejones sin salida y dirigir la investigación hacia innovaciones revolucionarias. Este equilibrio define la innovación involucrada por humanos, donde la IA acelera y los humanos interpretan, guían y protegen los descubrimientos. ⁸ Esta relación simbiótica entre el conocimiento humano y las capacidades de la IA es fundamental para aprovechar todo el potencial del descubrimiento de materiales impulsado por la IA y garantizar que los avances se traduzcan en tecnologías impactantes y viables.
educación y formación
Para que el juicio humano esté en el centro de una IA responsable, es esencial preparar a la próxima generación con habilidades técnicas. La demanda económica de ingenieros de materiales con experiencia en IA está aumentando rápidamente. Las empresas de energía, aeroespacial, electrónica y manufacturera buscan activamente ingenieros que puedan diseñar experimentos, interpretar resultados y utilizar herramientas de inteligencia artificial y aprendizaje automático para acelerar la innovación. Incorporar la alfabetización en IA a la educación en ciencias de los materiales ya no es una opción, dado que casi todos los ingenieros de materiales del futuro participarán en flujos de trabajo ricos en datos y mejorados por la IA. Es esencial. Las universidades están experimentando con planes de estudio híbridos que integran módulos de IA en cursos básicos de ciencia e ingeniería. Los proyectos finales prácticos, los cursos intensivos y los “campamentos de datos” se utilizan cada vez más para enseñar no sólo lo que la IA puede hacer, sino también lo que la IA debería hacer. ⁹ Al convertir a los investigadores en innovadores que puedan aprovechar y plantear preguntas sobre la IA, la educación garantiza que la tecnología sirva a la humanidad, en lugar de resultar contraproducente.
IA responsable para un futuro próspero
En general, la IA ya no es una promesa lejana sino una fuerza impulsora en la ciencia de los materiales. Esto acorta los plazos de descubrimiento, permite el diseño sostenible e integra la fabricación a través de gemelos digitales y materiales adaptables. Sin embargo, persisten desafíos importantes, incluidos problemas de calidad de los datos y las predicciones, la interpretabilidad de los modelos de IA y el número limitado de investigadores capacitados en IA. Los conjuntos de datos de materiales estandarizados y de alta calidad siguen siendo escasos, y muchas bases de datos son incompletas, inconsistentes o limitadas, lo que limita la transferencia y el entrenamiento de modelos sólidos. La complejidad y la sensibilidad contextual de los materiales, cuyo rendimiento a menudo depende de las condiciones de procesamiento y la microestructura, impide aún más la generalización. Muchos modelos de ML carecen de interpretabilidad, lo que reduce su confiabilidad y dificulta la integración de las predicciones con marcos basados en la física. Además, el desarrollo y la validación de plataformas de IA requieren experiencia interdisciplinaria, lo que limita su adopción. Igualmente importantes son las limitaciones no resueltas de la IA para comprender las relaciones estructura-propiedad del procesamiento y la viabilidad de fabricación. La mayoría de los modelos optimizan la estabilidad termodinámica o las propiedades objetivo sin considerar el procesamiento, las limitaciones de producción, los costos o la inestabilidad de la cadena de suministro, lo que requiere evaluación humana y ciclos de retroalimentación adaptativos para hacer coincidir las predicciones de la IA con la viabilidad del mundo real. Estas barreras resaltan por qué el éxito de la IA depende en última instancia de la experiencia humana. Pero la IA, guiada por la creatividad y la responsabilidad humanas, puede desbloquear materiales y tecnologías que no sólo son más rápidos e inteligentes, sino también transformadores para la sociedad.
Referencias
Nekuda Malik JA. Las Academias Nacionales de EE. UU. informan sobre las fronteras en la investigación de materiales. Noticias de última hora de la señora. 2019;44(5):329-334 Merchant, A. Butzner, S. Schoenholz, Carolina del Sur. Eikor, M. Chong, G. Cubuk, ED Ampliación del aprendizaje profundo para el descubrimiento de materiales. Nature 2023, 624 (7990), 80-85 Szymanski, Nueva Jersey; Lendy, B. Fay, Y. Kumar, RE; Él, T. Milstead, D. McDermott, Minnesota. Galán, M. Cubek, Edward. Comerciante, A. et al. Un laboratorio autónomo para acelerar la síntesis de nuevos materiales. Naturaleza 2023, 624 (7990), 86-91 Okabe, R., Cheng, M., Chotrattanapituk, A. et al. Integración de restricciones estructurales en modelos generativos para el descubrimiento de materiales cuánticos. tuerca. metro. (2025) Levin, DS et al. “Conjunto de datos, evaluación y modelos de Open Molecules 2025 (OMol25)” preimpresión de arXiv arXiv:2505.08762 (2025) Delgado-Licona, F., Alsaiari, A., Dickerson, H., et al. Datos impulsados por el flujo de energía para acelerar el descubrimiento autónomo de materiales inorgánicos. Nat Chem Eng 2, 436–446 (2025) AE Siemenn et al. Sistema robótico autosupervisado para mapeo espacial autónomo basado en contactos de propiedades de semiconductores. Ciencia. Adv 11, eadw7071(2025) Ramprasad, R., Batra, R., Pilania, G. et al. Aprendizaje automático en informática de materiales: aplicaciones recientes y perspectivas. npj Comput Mater 3, 54 (2017) TJ Oweida, A. Ul-Mahmood, MD Manning, S. Rigin, YG Yingling, “Combinación de materiales y ciencia de datos: oportunidades, desafíos y educación en informática de materiales”, MRS Advances 5 (2020) 1-18
Este artículo también se publicará en el número 24 de la revista trimestral.
Source link
