MIT desarrolla una IA que identifica materiales prometedores para baterías

Investigadores del MIT desarrollaron una inteligencia artificial que analiza estructuras cristalinas en tres dimensiones para identificar materiales con propiedades útiles en nuevas tecnologías.

Investigadores del Instituto de Tecnología de Massachusetts (MIT) desarrollaron un modelo de inteligencia artificial capaz de analizar la estructura atómica tridimensional de los materiales y relacionarla con sus propiedades, posibles aplicaciones y métodos de procesamiento. La herramienta identificó compuestos que ya habían sido reconocidos como candidatos prometedores para utilizarse en electrolitos de baterías de litio de estado sólido, un resultado que podría contribuir a acelerar la búsqueda de nuevos materiales.

El sistema fue descrito en la revista científica Nature Communications y presentado por MIT News. A diferencia de los modelos que trabajan principalmente con información textual, esta tecnología combina representaciones de estructuras cristalinas en tres dimensiones con descripciones en lenguaje natural.

El objetivo es ayudar a los investigadores a encontrar materiales que cumplan determinadas condiciones sin depender exclusivamente de años de experimentación y pruebas de laboratorio.

Cómo funciona la inteligencia artificial del MIT

Los cristales tienen estructuras atómicas ordenadas y representan más del 90% de los materiales sólidos de la Tierra, según la investigación citada. Sin embargo, los modelos de inteligencia artificial tradicionales presentan dificultades para interpretar directamente la geometría tridimensional de estas estructuras.

Otra limitación es que la literatura científica disponible se concentra en determinadas clases de cristales, lo que puede sesgar las respuestas de los sistemas hacia materiales que ya han sido estudiados con mayor frecuencia.

Para enfrentar estos problemas, el equipo combinó estructuras atómicas en tres dimensiones con descripciones narrativas elaboradas a partir de publicaciones experimentales y bases de datos computacionales.

En lugar de utilizar únicamente textos científicos existentes, los investigadores generaron descripciones de los materiales con información sobre su composición, estructura, propiedades, procesamiento y posibles aplicaciones.

Ju Li, profesor de Ciencia e Ingeniería de Materiales y de Ciencia e Ingeniería Nuclear del MIT, explicó que el uso de este conjunto de datos narrativos permitió mejorar la capacidad de los modelos para predecir la función de los materiales.

El modelo conecta la estructura atómica con sus propiedades

El equipo utilizó una técnica de aprendizaje automático conocida como aprendizaje contrastivo, que entrena al sistema para identificar relaciones entre ejemplos similares y distinguirlos de aquellos que no corresponden.

En este caso, el modelo aprendió a asociar las geometrías cristalinas con las descripciones escritas que explican sus características.

La investigación comparó dos versiones del sistema: una entrenada con descripciones generadas mediante inteligencia artificial y otra alimentada únicamente con textos de artículos científicos.

La primera consiguió relacionar las estructuras tridimensionales con sus descripciones lingüísticas, mientras que la segunda no alcanzó el mismo resultado.

Esta conexión permite que el modelo reciba una consulta escrita en lenguaje natural y busque materiales cuyas características se aproximen a las propiedades solicitadas por el usuario.

De acuerdo con Li, comprender la estructura de un material permite inferir información relevante sobre su comportamiento y desempeño, por lo que vincular ambos tipos de datos podría ampliar las herramientas disponibles para la ciencia de materiales.

Identificó candidatos para baterías de estado sólido

Una de las pruebas consistió en solicitar al sistema materiales adecuados para funcionar como electrolitos en baterías de litio de estado sólido.

Los primeros resultados incluyeron compuestos que ya habían sido identificados de manera independiente como candidatos prometedores para esa aplicación.

El hallazgo muestra que el modelo puede orientar la búsqueda de materiales a partir de propiedades específicas y recuperar opciones relevantes dentro de las estructuras que analiza.

Sin embargo, identificar candidatos no significa que estos materiales estén listos para incorporarse a una batería comercial. Su desempeño, estabilidad, seguridad y viabilidad de fabricación requieren evaluaciones adicionales.

La herramienta busca facilitar la selección inicial de compuestos que después pueden someterse a cálculos, pruebas experimentales y otros procesos de validación científica.

El MIT compara su potencial con AlphaFold

Elsa Olivetti, profesora de Ingeniería de Materiales del MIT, destacó que el enfoque permite estudiar con mayor profundidad las estructuras tridimensionales y relacionarlas con las propiedades y el procesamiento de los materiales.

La investigadora planteó que esta integración podría convertirse en una herramienta útil para que la comunidad científica continúe avanzando en el campo.

Por su parte, Li comparó el potencial de la iniciativa con AlphaFold, el sistema de inteligencia artificial que predice estructuras de proteínas y que ha contribuido a la investigación biológica.

La comparación apunta a la importancia de representar estructuras tridimensionales para comprender mejor los sistemas estudiados. En el caso del modelo del MIT, la meta es establecer conexiones entre la organización de los átomos y las características de los materiales sólidos.

El equipo considera que esta tecnología podría ayudar a investigadores e ingenieros a explorar nuevas alternativas para baterías y otras aplicaciones industriales, aunque su utilidad dependerá de las pruebas y validaciones que se realicen posteriormente.

Noticias del tema