En la búsqueda de nuevos materiales, los científicos tradicionalmente se han basado en retoques en el laboratorio, guiados por la intuición, con una gran dosis de prueba y error.

Pero ahora se ha descubierto un nuevo material para baterías combinando dos superpoderes informáticos: la inteligencia artificial y la supercomputación. Es un descubrimiento que resalta el potencial del uso de computadoras para ayudar a los científicos a descubrir materiales adecuados a necesidades específicas, desde baterías hasta tecnologías de captura de carbono y catalizadores. 

Los cálculos  redujeron más de 32 millones de materiales candidatos  a solo 23 opciones prometedoras, informan investigadores de Microsoft y el Laboratorio Nacional del Noroeste del Pacífico, o PNNL, en un documento presentado el 8 de enero a arXiv.org. Luego, el equipo sintetizó y probó uno de esos materiales y creó un prototipo de batería funcional.

Si bien los científicos han utilizado la IA para predecir las propiedades de los materiales antes, los estudios anteriores generalmente no han visto ese proceso hasta la producción del nuevo material. "Lo bueno de este artículo es que abarca todo el proceso de principio a fin", dice el científico de materiales computacionales Shyue Ping Ong de la Universidad de California en San Diego, que no participó en la investigación.

Los investigadores se centraron en un tipo codiciado de material de batería: un electrolito sólido. Un electrolito es un material que transfiere iones (átomos cargados eléctricamente) de un lado a otro entre los electrodos de una batería. En las baterías de iones de litio estándar, el electrolito es un líquido. Pero eso conlleva peligros, como que las baterías tengan fugas o provoquen incendios. El desarrollo de baterías con electrolitos sólidos es uno de los principales objetivos de los científicos de materiales.

Los 32 millones de candidatos originales se generaron mediante un juego de mezclar y combinar, sustituyendo diferentes elementos en estructuras cristalinas de materiales conocidos. Clasificar una lista tan grande con cálculos físicos tradicionales habría llevado décadas, dice el químico computacional Nathan Baker de Microsoft. Pero con técnicas de aprendizaje automático, que pueden hacer predicciones rápidas basadas en patrones aprendidos de materiales conocidos, el cálculo produjo resultados en sólo 80 horas.

Primero, los investigadores utilizaron IA para filtrar los materiales en función de su estabilidad, es decir, si realmente podrían existir en el mundo real. Eso redujo la lista a menos de 600.000 candidatos. Un análisis adicional de IA seleccionó candidatos que probablemente tuvieran las propiedades eléctricas y químicas necesarias para las baterías. Debido a que los modelos de IA son aproximados, los investigadores filtraron esta lista más pequeña utilizando métodos computacionalmente intensivos probados y basados ​​en la física. También eliminaron materiales raros, tóxicos o costosos. 

Eso dejó a los investigadores con 23 candidatos, cinco de los cuales ya eran conocidos. Los investigadores del PNNL eligieron un material que parecía prometedor: estaba relacionado con otros materiales que los investigadores sabían fabricar en el laboratorio y tenía una estabilidad y conductividad adecuadas. Luego se pusieron a trabajar para sintetizarlo y finalmente lo convirtieron en un prototipo de batería. Y funcionó.

"Fue entonces cuando nos entusiasmamos mucho", dice el científico de materiales Vijay Murugesan de PNNL en Richmond, Washington. Pasar de la etapa de síntesis a la batería funcional tomó alrededor de seis meses. "Eso es súper rápido".

El nuevo electrolito es similar a un material conocido que contiene litio, itrio y cloro, pero cambia algo de litio por sodio, una ventaja ya que  el litio es costoso y tiene una gran demanda (SN: 7/5/19).

La combinación de litio y sodio no es convencional. "En un enfoque habitual... no mezclaríamos estos dos", dice el científico de materiales Yan Zeng de la Universidad Estatal de Florida en Tallahassee, que no participó en la investigación. La práctica típica es utilizar iones de litio o de sodio como conductor, no ambos. Se podría esperar que los dos tipos de iones compitan entre sí, lo que daría como resultado un peor rendimiento. El material poco ortodoxo destaca una esperanza para la IA en la investigación, dice Zeng: "La IA puede salirse de lo convencional".

En el nuevo trabajo, los investigadores crearon una serie de modelos de IA que podrían predecir diferentes propiedades de un material, basándose en datos de entrenamiento de materiales conocidos. La arquitectura de IA es un tipo conocido como red neuronal gráfica, en la que un sistema se representa como un gráfico, una estructura matemática compuesta de “bordes” y “nodos”. Este tipo de modelo es particularmente adecuado para describir materiales, ya que los nodos pueden representar átomos y los bordes pueden representar enlaces entre los elementos.

Para realizar cálculos basados ​​en IA y física, el equipo utilizó Azure Quantum Elements de Microsoft, que proporciona acceso a una supercomputadora basada en la nube diseñada para la investigación en química y ciencia de materiales.

El proyecto, dice Baker, es un ejemplo de una práctica conocida en los círculos tecnológicos como “comer su propia comida para perros”, en la que una empresa utiliza su propio producto para confirmar que funciona. En el futuro, dice que espera que otros adopten la herramienta y la utilicen para una variedad de esfuerzos científicos.

El estudio es uno de los muchos esfuerzos por utilizar la IA para descubrir nuevos materiales. En noviembre, investigadores de Google DeepMind utilizaron redes neuronales gráficas para predecir la existencia de  cientos de miles de materiales estables, informaron en la revista  Nature del 7 de diciembre. Y en el mismo número de  Nature,  Zeng y sus colegas informaron sobre un laboratorio  operado por IA, diseñado para producir nuevos materiales de forma autónoma.

CITAS

C. Chen  y col. "Acelerar el descubrimiento de materiales computacionales con inteligencia artificial y computación de alto rendimiento en la nube: desde la detección a gran escala hasta la validación experimental". arXiv:2401.04070. Presentado el 8 de enero de 2024.

A. Comerciante  y col. Ampliar el aprendizaje profundo para el descubrimiento de materiales . Naturaleza. vol. 624, 7 de diciembre de 2023, pág. 80. doi: 10.1038/s41586-023-06735-9. 

NJ Szymanski  et al . Un laboratorio autónomo para la síntesis acelerada de nuevos materiales. Naturaleza. vol. 624, 7 de diciembre de 2023, pág. 86. doi: 10.1038/s41586-023-06734-w.

Acerca de Emily Conover

La escritora de física Emily Conover tiene un doctorado. en física de la Universidad de Chicago. Ha ganado dos veces el premio Newsbrief de la Asociación de Escritores Científicos de DC.

Autor