La IA DeepMind que busca cristales podría ayudar a descubrir nuevos materiales maravillosos

Una inteligencia artificial creada por Google DeepMind puede ayudar a revolucionar la ciencia de los materiales, proporcionando nuevas formas de fabricar mejores baterías, paneles solares, chips de computadora y muchas más tecnologías vitales.

“Cada vez que alguien quiere mejorar su tecnología, inevitablemente incluye mejorar los materiales”, dice Ekin Dogus Cubuk en DeepMind. “Sólo queríamos que tuvieran más opciones”.

El modelo de IA, llamado Graph Networks for Materials Exploration, o GNoME, está diseñado para predecir estructuras cristalinas inorgánicas, que son disposiciones repetidas de átomos que proporcionan materiales con propiedades particulares; por ejemplo, la simetría séxtuple de un copo de nieve Es el resultado de la estructura cristalina del hielo.

Los cristales orgánicos, que incluyen enlaces carbono-hidrógeno, se conocen bien gracias a numerosos ejemplos en sistemas biológicos, pero hasta ahora sólo conocíamos alrededor de 48.000 posibles cristales inorgánicos. GNoME ha ampliado enormemente esa cifra a más de 2 millones, y aunque algunas de estas nuevas estructuras podrían descomponerse en formas más estables o ser imposibles de crear en conjunto, más de 700 de las predicciones ya se han hecho en el laboratorio.

GNoME es una red neuronal gráfica, un tipo de IA que puede aprender las relaciones entre objetos, como los átomos y sus enlaces químicos. Cubuk y su equipo entrenaron a GNoME en una base de datos existente de cristales inorgánicos conocidos y la utilizaron para generar nuevos cristales posibles cambiando los elementos o jugando con las simetrías de los cristales conocidos. También predijo las energías de los nuevos cristales, una medida de su estabilidad.

Los investigadores utilizaron simulaciones de mecánica cuántica para evaluar la precisión de estas predicciones de energía y luego reintrodujeron estos resultados en las predicciones estructurales de GNoME, durante un total de seis rondas. “Lo que vimos es que, en cada ronda, las predicciones del modelo eran cada vez mejores para generalizar a nuevos cristales estables”, dice Cubuk.

De los 2,2 millones de predicciones, había 400.000 cristales que estaban en su forma más estable, sin ninguna forma de menor energía posible. Sin embargo, algunos cristales menos estables aún podrían resultar útiles: se conocen como cristales metaestables. El diamante, una forma metaestable de carbono, es un ejemplo.

Al escanear la literatura científica publicada después de que se desarrolló GNoME, asegurándose de que los resultados encontrados no estuvieran presentes en sus datos de entrenamiento, el equipo descubrió que GNoME había predicho más de 700 cristales producidos desde entonces por otros investigadores. Estos incluyen un cristal de litio y magnesio tipo diamante que podría usarse en láseres de alta potencia y un superconductor de molibdeno de baja temperatura.

DeepMind compartió sus predicciones con Yan Zeng en la Universidad de California, Berkeley, y sus colegas, que están desarrollando un laboratorio robótico capaz de sintetizar cristales de forma autónoma. El equipo de Berkeley predijo de forma independiente 60 estructuras cristalinasde los cuales el laboratorio automatizado pudo crear 41. Como GNoME también había predicho estas estructuras, esta verificación externa sugiere que sus predicciones son al menos un 70 por ciento precisas, dice Cubuk.

Los investigadores ahora han puesto a disposición de otros todo el conjunto de datos de estructuras cristalinas predichas. “Va a acelerar el descubrimiento de nuevos materiales”, dice Día de Graeme en la Universidad de Southampton, Reino Unido. “Ese es el gran problema: en comparación con lo que había antes en estas bases de datos, es posible ampliarlo en un orden de magnitud”.

Estos materiales podrían incluir cosas como mejores aleaciones para automóviles, mayor densidad de energía para baterías de estado sólido y una recolección de energía más efectiva para paneles solares, dice Cubuk.

Andy Cooper de la Universidad de Liverpool, Reino Unido, también afirma que acelerará el proceso de descubrimiento de nuevos materiales, pero también es importante conocer las propiedades de un material, como su conductividad o su capacidad para almacenar energía. “Los cálculos de propiedades suelen ser bastante caros”, dice Cooper. “Sabes que la estructura podría existir, pero si no sabes qué hace, entonces no está claro si construirla o no”.

Por ahora, la mejor manera de comprender las propiedades de un material es sintetizarlo, lo que supone un importante obstáculo para la química, incluso con la ayuda de laboratorios robóticos como los utilizados por Zeng y su equipo. “La capacidad mundial para predecir y calcular cosas, y utilizar el aprendizaje automático para extrapolar más, está evolucionando más rápido que la capacidad robótica para buscar materiales”, dice Cooper.