Investigadores de Google DeepMind y el Laboratorio Nacional Lawrence Berkeley han realizado un avance revolucionario con el desarrollo de GNoME, un novedoso sistema de inteligencia artificial que ha identificado más de 2 millones de nuevos materiales aptos para tecnologías como baterías, paneles solares y chips de computadora. Esta investigación fue publicada en dos artículos en la revista Nature. Un estudio detalla cómo DeepMind utilizó técnicas avanzadas de aprendizaje profundo, permitiendo a GNoME explorar estructuras de materiales potenciales con una eficiencia sin precedentes.
En solo 17 días, GNoME identificó 2.2 millones de nuevas estructuras cristalinas inorgánicas potencialmente estables, de las cuales más de 700 fueron validadas experimentalmente. Este logro representa un aumento casi diez veces mayor en comparación con los cristales inorgánicos estables reconocidos anteriormente. GNoME emplea dos métodos de descubrimiento: uno genera estructuras cristalinas similares, mientras que el otro sigue un enfoque más aleatorio. Los resultados de ambos métodos son evaluados para mejorar la base de datos de GNoME para futuros aprendizajes.
El segundo artículo describe cómo las predicciones de GNoME fueron validadas a través de sistemas robóticos autónomos en Berkeley Lab. Durante 17 días de experimentos automatizados continuos, el sistema sintetizó con precisión 41 de los 58 compuestos predichos, logrando una notable tasa de éxito del 71%.
Base de Datos Pública para Acelerar la Innovación
El conjunto de datos de estos nuevos materiales está disponible públicamente a través de la base de datos del Materials Project, lo que permite a los investigadores analizar estructuras para identificar materiales con propiedades específicas para aplicaciones del mundo real. Por ejemplo, el estudio identificó 52,000 nuevos materiales en 2D similares al grafeno, 25 veces más conductores sólidos de iones de litio que investigaciones anteriores, y 15 compuestos adicionales de óxido de litio y manganeso que podrían reemplazar el óxido de litio y cobalto en baterías. Notablemente, 736 de los materiales predichos por GNoME han sido confirmed independientemente por científicos en todo el mundo.
Laboratorio Autónomo Logra Alta Tasa de Éxito
Las capacidades de GNoME provienen de sus sofisticadas redes neuronales gráficas, que predicen la estabilidad de las estructuras cristalinas propuestas en segundos. Esta eficiencia permite filtrar una gran cantidad de candidatos generados por computadora y seleccionar los más prometedores.
Mientras que las técnicas de aprendizaje automático anteriores tenían dificultades para estimar las energías y la estabilidad de nuevos materiales, los métodos de los investigadores demuestran que, con suficiente datos y poder computacional, el aprendizaje profundo puede ofrecer descubrimientos extraordinarios. "La alta tasa de éxito demuestra la efectividad de las plataformas impulsadas por IA para el descubrimiento autónomo de materiales y fomenta una mayor integración de métodos computacionales, conocimiento histórico y robótica", afirmaron los investigadores.
Una Nueva Era en la Ciencia de Materiales
Estos estudios tienen enormes implicaciones para el futuro del descubrimiento científico y el papel de la inteligencia artificial en la investigación de materiales. Este enfoque impulsado por IA podría acelerar significativamente la creación de nuevos materiales diseñados para aplicaciones específicas, lo que potencialmente llevaría a una innovación más rápida y a menores costos en el desarrollo de productos.
La integración de IA y aprendizaje profundo sugiere un futuro en el que los laboratorios intensivos en mano de obra pueden ser minimizados o eliminados, permitiendo a los científicos concentrarse en el diseño y análisis de nuevos compuestos. El impacto de estos avances es vasto, inaugurando un nuevo capítulo en la ciencia de materiales que podría estimular la innovación en múltiples campos, desde la mejora de los sistemas de almacenamiento de energía hasta el avance de la tecnología médica. A medida que el descubrimiento de materiales evoluciona, la sinergia de la inteligencia artificial, el aprendizaje profundo y la investigación científica continúa expandiendo los límites de lo posible.
Clasificación
