Cualquiera con un modelo de inteligencia artificial suficientemente grande puede generar millones de diseños de materiales nuevos en minutos. Eso no se ha traducido en un salto en la cantidad de materiales que de verdad mejoran productos como los chips de computador o los cohetes.

Una razón de esa brecha es que los modelos actuales no consideran de forma confiable la estabilidad química de los materiales que generan, y un material inestable no sirve en el mundo real. Las industrias terminan destinando presupuestos enormes de cómputo a descartar todo lo inestable que generaron, y en algunos casos queda una fracción mínima de opciones aprovechables.

Investigadores del MIT desarrollaron un marco de trabajo que se aplica al comienzo del proceso, no al final. Funciona asegurando que cada diseño cumpla ciertas reglas químicas sobre los electrones que rodean los átomos del material antes del paso caro de generación. Lo llamaron CrysVCD, por generador de cristales con diseño restringido por valencia.

En un artículo publicado en Nature Computational Science, el equipo muestra que CrysVCD permitió a varios modelos de materiales de uso común cumplir con más frecuencia esas reglas de capa de valencia. Con él lograron alta estabilidad de dinámica de red, una prueba exigente, en cerca del 70% de las generaciones computacionales. También mostraron que el método sirve para crear materiales con propiedades específicas buscadas, como alta conductividad térmica o constante dieléctrica elevada, que importa en chips y centros de datos.

La forma en que los autores imaginan su uso está en la comparación que hace uno de ellos.

"Si los modelos que generan materiales son como los DVD, nosotros somos el reproductor de DVD", dice Mingda Li, profesor asociado de ciencia e ingeniería nuclear. "Puedes enchufar esto a cualquier tipo de modelo, no solo a los modelos de difusión existentes sino también a los futuros, donde la gente no logra generar suficientes materiales estables, y mejora la estabilidad."

Junto a Li firman el trabajo Mouyang Cheng y Weiliang Luo, estudiantes de doctorado del MIT en ciencia de materiales e ingeniería y en química, Hao Tang, egresado reciente de ciencia de materiales e ingeniería, Bowen Yu, estudiante de pregrado en física, Yongqiang Cheng, científico del Laboratorio Nacional de Oak Ridge, Weiwei Xie, profesora asociada de la Universidad Estatal de Michigan, y los profesores del MIT Ju Li y Heather Kulik.

¿Por qué se descarta tanto material generado?

Los métodos computacionales de diseño de materiales existen hace décadas, pero los avances recientes en inteligencia artificial aumentaron el entusiasmo sobre lo que pueden hacer. Interesan sobre todo los modelos que parten de una propiedad deseada y trabajan hacia atrás para entregar un material que la cumpla.

Algunos de esos modelos usan difusión, la técnica habitual para generar imágenes. Otros usan modelos grandes de lenguaje como los que mueven a ChatGPT y a Claude. Ambos enfoques tienen problemas para asegurar que lo que generan alcance estabilidad química o respete los principios básicos sobre cómo interactúan y se comportan los compuestos.

La solución hasta ahora ha sido agregar otra capa de cómputo encima del proceso generativo para filtrar los materiales inestables.

"Se está volviendo fácil generar la estructura del material", dice Cheng. "Pero el proceso de validación, en especial la parte donde pruebas la estabilidad, tiene un costo computacional enorme. Es algo así como el 90% del costo de cómputo de crear materiales usables, y puede tomar semanas o meses."

Las empresas grandes con presupuestos de cómputo altos pueden costear esos procesos. Muchas empresas pequeñas y laboratorios de investigación no, lo que puede limitar la innovación en el área.

"En la academia, donde tenemos menos recursos, creo que igual podemos lograr buen rendimiento con diseños más inteligentes y otros enfoques", explica Kulik. "Generar un modelo y después seleccionar por estabilidad es ineficiente. Hay un costo computacional alto. Pero si pones un modelo de lenguaje al comienzo del proceso para restringir la generación, puedes aumentar bastante la proporción de materiales estables generados."

Cómo funciona el método en dos etapas

El estudio reunió a investigadores del MIT de los departamentos de Ciencia de Materiales e Ingeniería, Química, Ingeniería Química, Física y Ciencia e Ingeniería Nuclear. El equipo combinó modelos de difusión con un modelo de lenguaje.

En la primera etapa, el modelo de lenguaje produce fórmulas químicamente válidas. En la segunda, el modelo de difusión usa esa fórmula para generar la estructura atómica del material cristalino correspondiente, en coordinación con el modelo generador de base.

"La difusión para generar materiales de forma típica es un proceso lento, puedes pensarlo como 1.000 pasos para crear un material", dice Luo.

"En cambio, cuando nuestro modelo se usa al comienzo, puedes pensarlo como cinco pasos. Te permite descartar los materiales inestables para generar materiales de mejor calidad. Y funciona con cualquier modelo que genere materiales", agrega Tang.

Los investigadores mostraron que su enfoque creó materiales estables con una eficiencia un orden de magnitud mayor que los métodos que filtran después de generar. Ajustado sobre métricas de estabilidad, produjo materiales cristalinos que alcanzaron 68% de estabilidad mecánica y 85% de metaestabilidad, que mide si un material se mantiene en estado estable mientras no se lo perturba.

¿Qué materiales buscaron con él?

El equipo usó el método para generar candidatos con alta conductividad térmica y polarización fácil en un campo eléctrico.

"Estos son materiales útiles para la industria de semiconductores, y los de alta conductividad térmica son relevantes para la refrigeración de centros de datos", dice Ju Li. "En principio también podrías usar esto para crear otras propiedades, pero la conductividad térmica se ha vuelto muy importante para enfriar centros de datos. Ha habido un aumento enorme del uso de energía en esa industria, y 30% de esa energía se va en refrigeración. La industria necesita materiales con alta conductividad térmica para sacar el calor de forma más eficiente."

Dónde no funciona

El método no sirve para todo tipo de material. Rinde mejor con estructuras sólidas de ordenamiento interno muy regular. Aun así, se puede usar para generar materiales cristalinos nuevos y estables con varias propiedades de interés.

"No solo generamos materiales estables, también priorizamos el rendimiento", dice Cheng. "Cada vez que tienes dos objetivos, cumplirlos por encima del 50% es difícil en este campo. Antes la gente podía tener una meta de propiedades específicas y no de estabilidad, o al revés, y obtener un porcentaje de un solo dígito de materiales que calzaran con su meta."

"Esto va a ahorrar costos de cómputo y tiempo enormes al eliminar los requisitos de selección posterior", dice Li. "Eso va a ayudar no solo a los esfuerzos grandes que generan cientos de millones de materiales, también a grupos de investigación más pequeños con aplicaciones acotadas."

El trabajo fue financiado en parte por el Departamento de Energía de Estados Unidos, una beca de ingeniería Mathworks, la Fundación Nacional de Ciencias y la Agencia de Reducción de Amenazas de Defensa de Estados Unidos.