Modelos de inteligencia artificial generativa han sido empleados para crear extensas bibliotecas de materiales teóricos, que pueden resolver diversos problemas. Sin embargo, los científicos deben identificar cómo sintetizarlos.
La síntesis de materiales a menudo es compleja; factores como la temperatura y el tiempo de procesamiento pueden alterar significativamente las propiedades del material, limitando así la capacidad de los investigadores para probar millones de materiales prometedores generados por modelos.
Innovación en la síntesis de materiales
Investigadores del MIT han desarrollado un modelo de IA que guía a los científicos en la creación de materiales al sugerir rutas de síntesis prometedoras. En un nuevo estudio, mostraron que el modelo ofrece precisión de vanguardia en la predicción de rutas de síntesis para materiales como los zeolitos, que pueden mejorar procesos de catálisis, absorción e intercambio iónico. Siguiendo las recomendaciones del modelo, el equipo sintetizó un nuevo material zeolita con estabilidad térmica mejorada.
Los investigadores consideran que su nuevo modelo podría superar el mayor obstáculo en el proceso de descubrimiento de materiales. Elton Pan, autor principal y candidato a PhD en el Departamento de Ciencia y Ingeniería de Materiales del MIT, explica: “Sabemos qué tipo de pastel queremos hacer, pero no sabemos cómo hornearlo”. Actualmente, la síntesis de materiales se realiza mediante experiencia en el dominio y ensayo y error.
El proceso de síntesis y su complejidad
El artículo que describe este trabajo se publica en Nature Computational Science. Junto a Pan, colaboraron varios investigadores, incluyendo a Soonhyoung Kwon, Sulin Liu, Mingrou Xie, entre otros. Las inversiones masivas en IA generativa han llevado a empresas como Google y Meta a crear grandes bases de datos con recetas de materiales, que teóricamente poseen propiedades como alta estabilidad térmica y absorción selectiva de gases. Sin embargo, la fabricación de esos materiales puede requerir semanas o meses de experimentos cuidadosos.
Pan señala que las personas suelen confiar en su intuición química para guiar el proceso, mientras que “las máquinas son mucho mejores razonando en un espacio de alta dimensión”. La síntesis de materiales a menudo consume la mayor parte del tiempo en el recorrido de un material desde la hipótesis hasta su uso.
DiffSyn: un avance en la síntesis
Para ayudar a los científicos, los investigadores del MIT entrenaron un modelo de IA generativa con más de 23,000 recetas de síntesis de materiales, recopiladas de más de 50 años de artículos científicos. El modelo, llamado DiffSyn, usa un enfoque de IA conocido como difusión, que le permite aprender a encontrar rutas de síntesis prometedoras.
Cuando un científico introduce una estructura de material deseada en DiffSyn, el modelo proporciona combinaciones efectivas de temperaturas, tiempos de reacción y proporciones de precursores. Pan explica: “Básicamente, te dice cómo hornear tu pastel”. Los científicos pueden seleccionar la ruta de síntesis que prefieran y cuantificar las opciones más prometedoras.
En sus pruebas, los investigadores usaron DiffSyn para sugerir nuevas rutas de síntesis para un zeolito, que es complejo y lleva tiempo formar un material testable.
El futuro de la investigación de materiales
Los zeolitos presentan un espacio de síntesis de alta dimensión, y su cristalización puede tardar días o semanas. Los investigadores lograron crear un nuevo material zeolita utilizando las rutas de síntesis sugeridas por DiffSyn, y las pruebas posteriores indicaron que el material tenía una morfología prometedora para aplicaciones catalíticas.
Pan menciona que los científicos han estado probando diferentes recetas de síntesis una por una, lo que consume mucho tiempo. “Este modelo puede muestrear 1,000 de ellas en menos de un minuto, proporcionando una buena estimación inicial para recetas de síntesis de nuevos materiales”.
DiffSyn no solo mapea un material a una receta única, sino que está entrenado para asociar estructuras de materiales con múltiples rutas de síntesis posibles. Esto representa un cambio de paradigma en la investigación de materiales, permitiendo un mapeo más alineado con la realidad experimental.
Perspectivas futuras y apoyo
Los investigadores creen que este enfoque puede extenderse a otros materiales, como marcos organometálicos y sólidos inorgánicos, que tienen más de una ruta de síntesis posible. Sin embargo, el principal obstáculo sigue siendo encontrar datos de alta calidad para diferentes clases de materiales.
El trabajo fue apoyado por el MIT International Science and Technology Initiatives (MISTI), la National Science Foundation, la Generalitat Valenciana, la Office of Naval Research, ExxonMobil y la Agencia de Ciencia, Tecnología e Investigación de Singapur.
