14 de junio 2024
Dólar
Compra 38,25 Venta 40,45
10 de diciembre 2023 - 5:02hs

Desde las baterías utilizadas en los vehículos eléctricos, pasando por las células solares y los microchips, los nuevos materiales pueden impulsar avances tecnológicos, pero descubrirlos suele llevar meses o incluso años de investigación mediante el procedimiento de ensayo y error.

Google DeepMind, la compañía de Inteligencia Artificial (IA) inglesa creada en 2010 y adquirida en 2014 por Alphabet, la empresa matriz de Google, promete acelerar drásticamente el proceso con una nueva herramienta de aprendizaje: las redes gráficas para la exploración de materiales (GNoME, por sus siglas en inglés).

Según un artículo publicado en la revista científica Nature, la herramienta ya se aplicó para predecir las estructuras y propiedades de 2,2 millones de nuevos materiales, entre ellos más de 700 creados en laboratorio y que se están probando en la actualidad.

Más noticias

El Laboratorio Nacional Lawrence Berkeley de California, en Estados Unidos, anunció días atrás un nuevo laboratorio autónomo que recoge la información de una base de datos de materiales, que incluye algunos de los descubrimientos de GNoME, y utiliza el aprendizaje automático y brazos robóticos para diseñarlos sin ayuda humana.

Google DeepMind afirma que, en conjunto, estos avances muestran el potencial del uso de la IA para ampliar el descubrimiento y el desarrollo de nuevos materiales. “GNoME puede describirse como un AlphaFold para el descubrimiento de materiales”, explica Ju Li, profesor de Ciencia e Ingeniería de Materiales del Instituto Tecnológico de Massachusetts (MIT).

AlphaFold es un sistema de IA de Google DeepMind, lanzado en 2020, y que predice las estructuras de las proteínas con gran precisión. Desde entonces, impulsó la investigación en el área de la biológica y ayudó al descubrimiento de nuevos fármacos.

Por lo pronto, gracias a GNoME, el número de materiales estables conocidos se multiplicó casi por diez, hasta alcanzar los 421.000. "Aunque los materiales desempeñan un papel muy crítico en casi cualquier tecnología, la humanidad sólo conoce unas pocas decenas de miles de materiales estables", asegura Dogus Cubuk, jefe de la sección Descubrimiento de Materiales en Google DeepMind.

Los científicos combinan elementos de toda la tabla periódica para descubrir los nuevos materiales, pero, como hay tantas combinaciones, realizar el proceso a ciegas es ineficaz. En su lugar, los investigadores parten de estructuras existentes, y hacen pequeños retoques con la esperanza de descubrir nuevas combinaciones con potencial.

Sin embargo, este minucioso proceso lleva mucho tiempo y, al basarse en estructuras existentes, también limita el potencial de los descubrimientos. Para superar estas limitaciones, Google DeepMind combina dos modelos diferentes de aprendizaje profundo.

El primero genera más de mil millones de estructuras al modificar elementos de materiales ya existentes. El segundo ignora las estructuras existentes y predice la estabilidad de los nuevos materiales basándose exclusivamente en fórmulas químicas. La combinación de ambos modelos permite un abanico más amplio de posibilidades.

Una vez generadas las posibles estructuras, estas se filtran a través de los modelos GNoME de Google DeepMind para predecir la energía de descomposición de una estructura concreta, un importante indicador de la estabilidad del material, algo esencial cuando se trata de alcanzar objetivos en materia de ingeniería industrial.

GNoME selecciona las estructuras más prometedoras, que se someten a una evaluación posterior basada en marcos teóricos conocidos, proceso que se repite varias veces y cada descubrimiento se incorpora a la siguiente ronda de formación.

En su primera ronda, GNoME predijo la estabilidad de distintos materiales con una precisión de alrededor del 5%, que aumentó con rapidez a lo largo del proceso de aprendizaje. Los resultados finales mostraron que GNoME consiguió predecir la estabilidad de las estructuras en más del 80% de las ocasiones para el primer modelo, y un 33% de los casos para el segundo.

Utilizar modelos de IA para idear nuevos materiales no es una idea novedosa. Materials Project, un programa dirigido por Kristin Persson en el Berkeley Lab de California, utilizó técnicas similares para descubrir y mejorar la estabilidad de 48.000 materiales.

Sin embargo, el tamaño y la precisión de GNoME lo diferencian de otros modelos. “Se entrenó con más datos que cualquier modelo anterior”, afirma Chris Bartel, profesor adjunto de Ingeniería Química y Ciencia de los Materiales en la Universidad de Minnesota.

“Hasta ahora, los cálculos similares resultaban caros y sólo se podían realizar a una escala limitada”, explica Yifei Mo, profesor de Ciencia e Ingeniería de Materiales de la Universidad de Maryland. “GNoME permite ampliar estos cálculos con mayor precisión y a un menor costo computacional. El impacto puede ser enorme", concluye Mo.

Tan importante como descubrir nuevos materiales es sintetizarlos y demostrar la utilidad. Con ese objetivo, Berkely Lab creó un nuevo laboratorio autónomo, el A-Lab, que utiliza algunos de los descubrimientos de GNoME, integrando la robótica con el aprendizaje automático para optimizar el desarrollo de los materiales.

El laboratorio es capaz de tomar sus propias decisiones sobre cómo fabricar un material propuesto y puede generar hasta cinco fórmulas iniciales. Estas son creadas por un modelo de aprendizaje automático que fue entrenado a partir del corpus científico existente. Tras cada experimento, el laboratorio utiliza los resultados para ajustar las formulaciones. Según los investigadores del laboratorio, el A-Lab pudo realizar 355 experimentos en 17 días y sintetizar con éxito 41 de los 58 compuestos propuestos; es decir: dos síntesis al día.

En un laboratorio típico, dirigido por humanos, se tarda mucho más en fabricar materiales. "Con mala suerte se puede tardar meses, o incluso años", reconoce Persson. “La mayoría de los investigadores se dan por vencidos al cabo de unas semanas, pero al A-Lab no le importa fracasar, sigue intentándolo e intentándolo", dice Persson.

Los investigadores de DeepMind y Berkeley Lab afirman que estas nuevas herramientas de IA pueden ayudar a acelerar la innovación en el campo de la computación. "El hardware, en especial, y en lo referido a energías limpias, un campo que necesita innovación si queremos resolver la crisis climática", agrega Persson.

Bartel, que no participó en la investigación, asegura que estos materiales serán candidatos prometedores para tecnologías que abarcan baterías, chips informáticos, cerámica y electrónica. Los conductores de las baterías de iones de litio, por ejemplo, es uno de los casos, pues desempeñan un importante rol al facilitar el flujo de corriente eléctrica entre diversos componentes.

Google DeepMind afirma que GNoME identificó 528 conductores de iones de litio, entre otros descubrimientos, algunos de los cuales pueden ayudar a que las baterías sean más eficientes. Sin embargo, incluso tras el descubrimiento de nuevos materiales, la industria suele tardar décadas en llevarlos a la fase comercial.

"Si podemos reducir el proceso a cinco años, será una gran mejora", concluye Cubuk.

 

(Con información de agencias y de Nature)

Temas:

inteligencia artificial

Seguí leyendo

Te Puede Interesar

Más noticias de Argentina

Más noticias de España

Más noticias de Estados Unidos