Se han utilizado modelos de inteligencia artificial generativa para crear enormes bibliotecas de materiales teóricos que podrían ayudar a resolver todo tipo de problemas. Ahora, los científicos sólo tienen que descubrir cómo fabricarlos.
En muchos casos, la síntesis de materiales no es tan sencilla como seguir una receta en la cocina. Factores como la temperatura y la duración del procesamiento pueden producir grandes cambios en las propiedades de un material que aumentan o perjudican su rendimiento. Esto ha limitado la capacidad de los investigadores para probar millones de materiales prometedores generados por modelos.
Ahora, investigadores del MIT han creado un modelo de IA que guía a los científicos a través del proceso de fabricación de materiales sugiriendo rutas de síntesis prometedoras. En un nuevo artículo, demostraron que el modelo ofrece una precisión de vanguardia en la predicción de vías de síntesis efectivas para una clase de materiales llamados zeolitas, que podrían usarse para mejorar los procesos de catálisis, absorción e intercambio iónico. Siguiendo sus sugerencias, el equipo sintetizó un nuevo material de zeolita que mostró una estabilidad térmica mejorada.
Los investigadores creen que su nuevo modelo podría superar el mayor cuello de botella en el proceso de descubrimiento de materiales.
“Para usar una analogía, sabemos qué tipo de pastel queremos hacer, pero en este momento no sabemos cómo hornearlo”, dice el autor principal Elton Pan, candidato a doctorado en el Departamento de Ciencia e Ingeniería de Materiales (DMSE) del MIT. “La síntesis de materiales se realiza actualmente mediante experiencia en el dominio y prueba y error”.
El artículo que describe el trabajo aparece hoy en Nature Computational Science. Junto a Pan en el artículo se encuentran Soonhyoung Kwon ’20, PhD ’24; Postdoctorado en DMSE Sulin Liu; el estudiante de doctorado en ingeniería química Mingrou Xie; Postdoctorado en DMSE Alexander J. Hoffman; Asistente de investigación Yifei Duan SM ’25; el estudiante visitante de DMSE, Thorben Prein; Killian Sheriff, candidato a doctorado por el DMSE; Yuriy Roman-Leshkov, profesor de Ingeniería Química del MIT Robert T. Haslam; el profesor de la Universidad Politécnica de Valencia Manuel Moliner; Rafael Gómez-Bombarelli, profesor de desarrollo profesional del MIT Paul M. Cook; y la profesora de ingeniería Jerry McAfee del MIT Elsa Olivetti.
aprendiendo a hornear
Grandes inversiones en IA generativa han llevado a empresas como Google y Meta a crear enormes bases de datos llenas de recetas de materiales que, al menos en teoría, tienen propiedades como alta estabilidad térmica y absorción selectiva de gases. Pero fabricar esos materiales puede requerir semanas o meses de experimentos cuidadosos que prueben temperaturas, tiempos de reacción, proporciones de precursores y otros factores específicos.
“La gente confía en su intuición química para guiar el proceso”, dice Pan. “Los humanos somos lineales. Si hay cinco parámetros, podríamos mantener cuatro de ellos constantes y variar uno de ellos linealmente. Pero las máquinas son mucho mejores a la hora de razonar en un espacio de alta dimensión”.
El proceso de síntesis del descubrimiento de materiales ahora suele ser el que lleva más tiempo en el viaje de un material desde la hipótesis hasta el uso.
Para ayudar a los científicos a navegar ese proceso, los investigadores del MIT entrenaron un modelo de IA generativa en más de 23.000 recetas de síntesis de materiales descritas en más de 50 años de artículos científicos. Los investigadores agregaron iterativamente “ruido” aleatorio a las recetas durante el entrenamiento, y el modelo aprendió a eliminar el ruido y tomar muestras del ruido aleatorio para encontrar rutas de síntesis prometedoras.
El resultado es DiffSyn, que utiliza un enfoque en IA conocido como difusión.
“Los modelos de difusión son básicamente un modelo de IA generativo como ChatGPT, pero más parecido al modelo de generación de imágenes DALL-E”, dice Pan. “Durante la inferencia, convierte el ruido en una estructura significativa restando un poco de ruido en cada paso. En este caso, la ‘estructura’ es la ruta de síntesis para un material deseado”.
Cuando un científico que utiliza DiffSyn ingresa a la estructura de un material deseado, el modelo ofrece algunas combinaciones prometedoras de temperaturas de reacción, tiempos de reacción, proporciones de precursores y más.
“Básicamente te dice cómo hornear tu pastel”, dice Pan. “Tienes un pastel en mente, lo introduces en el modelo, el modelo escupe las recetas de síntesis. El científico puede elegir la ruta de síntesis que desee, y hay formas sencillas de cuantificar la ruta de síntesis más prometedora a partir de lo que proporcionamos, que mostramos en nuestro artículo”.
Para probar su sistema, los investigadores utilizaron DiffSyn para sugerir nuevas rutas de síntesis para una zeolita, una clase de material que es compleja y requiere tiempo para convertirse en un material comprobable.
“Las zeolitas tienen un espacio de síntesis de muy altas dimensiones”, dice Pan. “Las zeolitas también tienden a tardar días o semanas en cristalizar, por lo que el impacto [of finding the best synthesis pathway faster] Es mucho mayor que otros materiales que cristalizan en horas”.
Los investigadores pudieron fabricar el nuevo material de zeolita utilizando vías de síntesis sugeridas por DiffSyn. Las pruebas posteriores revelaron que el material tenía una morfología prometedora para aplicaciones catalíticas.
“Los científicos han estado probando diferentes recetas de síntesis, una por una”, dice Pan. “Eso hace que consuman mucho tiempo. Este modelo puede muestrear 1.000 de ellos en menos de un minuto. Da una muy buena idea inicial de las recetas de síntesis de materiales completamente nuevos”.
Contabilización de la complejidad
Anteriormente, los investigadores habían construido modelos de aprendizaje automático que asignaban un material a una única receta. Esos enfoques no tienen en cuenta que existen diferentes formas de fabricar el mismo material.
DiffSyn está capacitado para asignar estructuras de materiales a muchas rutas de síntesis posibles diferentes. Pan dice que esto se alinea mejor con la realidad experimental.
“Este es un cambio de paradigma que pasa del mapeo uno a uno entre estructura y síntesis al mapeo uno a muchos”, dice Pan. “Esa es una razón importante por la que logramos fuertes ganancias en los puntos de referencia”.
En el futuro, los investigadores creen que el enfoque debería funcionar para entrenar otros modelos que guíen la síntesis de materiales fuera de las zeolitas, incluidas estructuras organometálicas, sólidos inorgánicos y otros materiales que tienen más de una vía de síntesis posible.
“Este enfoque podría extenderse a otros materiales”, afirma Pan. “Ahora, el cuello de botella es encontrar datos de alta calidad para diferentes clases de materiales. Pero las zeolitas son complicadas, por lo que puedo imaginar que están cerca del límite superior de dificultad. Con el tiempo, el objetivo sería interconectar estos sistemas inteligentes con experimentos autónomos del mundo real y razonamiento agente sobre retroalimentación experimental para acelerar dramáticamente el proceso de diseño de materiales”.
El trabajo contó con el apoyo de Iniciativas Internacionales de Ciencia y Tecnología del MIT (MISTI), la Fundación Nacional de Ciencias, la Generalitat Vaslenciana, la Oficina de Investigación Naval, ExxonMobil y la Agencia de Ciencia, Tecnología e Investigación de Singapur.