El MIT entrena una IA que “ve” estructuras cristalinas y podría acelerar el hallazgo de nuevos materiales

Encontrar el material adecuado para una tecnología concreta podría llegar a ser tan simple como describirle a una inteligencia artificial las propiedades que se necesitan. Esa es la apuesta de un grupo de investigadores del Instituto de Tecnología de Massachusetts (MIT), que desarrolló un modelo capaz de "ver" cómo se organizan los átomos de un material en tres dimensiones y de razonar a partir de esa disposición sobre sus características y usos. El trabajo fue descrito en la revista Nature Communications y difundido por MIT News, el portal de noticias del instituto.

El punto de partida son los cristales, que tienen disposiciones atómicas muy ordenadas y representan más del 90% de los materiales sólidos de la Tierra. Los modelos de IA actuales, sin embargo, encuentran dos obstáculos para trabajar con ellos. Por un lado, la literatura experimental se concentra en unas pocas clases de cristales, lo que inclina sus respuestas hacia esos materiales. Por otro, al entrenarse solo con texto, no pueden interpretar las estructuras tridimensionales que definen el comportamiento de un cristal.

Para sortear ambas barreras, el equipo combinó estructuras atómicas en 3D con descripciones en lenguaje natural, tomadas de publicaciones experimentales y de bases de datos computacionales basadas en primeros principios. En lugar de apoyarse solo en trabajos ya publicados, los investigadores generaron narrativas sobre los materiales a partir de esas fuentes. Cada una reúne composición química, estructura, propiedades, consideraciones de procesamiento y aplicaciones potenciales. "Descubrimos que, cuando usamos ese conjunto de datos narrativo, los modelos predicen mejor la función", explicó Ju Li, profesor Carl Richard Soderberg de Ingeniería de Potencia en los departamentos de Ciencia e Ingeniería de Materiales y de Ciencia e Ingeniería Nuclear del MIT.

El método de entrenamiento fue el aprendizaje contrastivo, que enseña al modelo comparando ejemplos similares y diferentes de estructuras y descripciones. La meta era construir una comprensión compartida entre la disposición espacial de los átomos y el lenguaje con que se la describe. "La estructura está realmente en el centro del campo de la ciencia de materiales", afirmó Li. "Si se entiende la estructura, se puede inferir bastante sobre las propiedades y el desempeño de los materiales". Según el investigador, querían establecer para el modelo la conexión entre la estructura atómica y las propiedades y el procesamiento.

Para validar el enfoque, la investigación comparó dos versiones del sistema. Una se entrenó con descripciones generadas por inteligencia artificial; la otra, únicamente con textos de artículos científicos. La primera logró relacionar las geometrías cristalinas con sus descripciones lingüísticas. La segunda no alcanzó esa asociación.

Los investigadores también mostraron que el modelo puede recibir una consulta en lenguaje natural que describa una propiedad e identificar cristales con esa característica. Cuando se le pidió buscar materiales aptos como electrolitos de baterías de litio de estado sólido, los primeros resultados incluyeron compuestos que ya habían sido señalados, de forma independiente, como candidatos prometedores.

Elsa Olivetti, profesora Jerry McAfee (1940) de Ingeniería en el Departamento de Ciencia e Ingeniería de Materiales del MIT, situó el trabajo en una historia más larga. "A veces se producen estos saltos dentro de la ciencia de materiales en torno a la integración algorítmica hacia herramientas útiles, que la comunidad utiliza para seguir avanzando", dijo. Este enfoque, agregó, ayuda a mirar con más profundidad las estructuras tridimensionales y a vincularlas con propiedades y procesamiento. "Espero que pueda ser uno de esos saltos."

Lo que queda por ver es si la herramienta resiste la validación y si logra acortar los años de prueba y error que hoy exige el descubrimiento de electrolitos y otros materiales.