Investigadores del MIT crearon un modelo de IA multimodal que combina la estructura atómica 3D de los cristales con descripciones en lenguaje natural. El trabajo, publicado en Nature Communications, mostró que el sistema identifica mejores diseños de materiales que los modelos entrenados solo con texto, porque puede "ver" cómo se ordenan los átomos y cómo se enlazan.

En teoría, la IA podría hacer que encontrar el material correcto para una aplicación fuera tan simple como pedir comida a domicilio. Los científicos le dirían a un modelo de lenguaje lo que necesitan y este les entregaría un cristal diseñado a la medida.

Ese enfoque todavía no funciona bien, y el problema son los datos. La mayoría de los materiales son cristales, arreglos periódicos de átomos en 3D cuyas estructuras se guardan en formatos especializados, no en los flujos de texto con que se entrenan los modelos de lenguaje actuales. La literatura experimental, además, está muy cargada hacia unas pocas familias populares de cristales, lo que sesga las respuestas de la IA hacia esos materiales.

¿Qué hace el modelo del MIT?

El modelo une las estructuras atómicas 3D con descripciones en lenguaje natural y produce descripciones detalladas de esas estructuras a partir de papers experimentales y de bases de datos computacionales de primeros principios. La descripción unificada no solo incluye la composición química y la estructura. También cubre sus propiedades, las consideraciones de procesamiento y las aplicaciones posibles, para que la IA aprenda qué hace útil a un material.

Cuando los investigadores le pidieron identificar materiales adecuados para electrolitos de baterías de ion litio de estado sólido, entre sus primeros resultados aparecieron materiales que otros grupos ya habían señalado por separado como candidatos prometedores. El equipo también mostró que el modelo aprendió representaciones geométricas de las estructuras que los modelos de solo texto no logran.

"La estructura está realmente en el corazón de la ciencia de materiales", dice Ju Li, profesor Carl Richard Soderberg de Ingeniería Energética en el Departamento de Ciencia e Ingeniería de Materiales (DMSE) del MIT.

"Si entiendes la estructura, puedes inferir bastante sobre las propiedades y el desempeño de los materiales. Queríamos construir para el modelo la conexión entre la estructura atómica de un material, sus propiedades y su procesamiento", agrega Li.

Junto a Li firman el paper Yang Jeong Park, primer autor y ex investigador postdoctoral del MIT; Mayank Kumaran, recién titulado en ingeniería en computación de la Universidad de Illinois Urbana-Champaign; Chia-Wei Hsu, magíster del MIT en 2026, y Elsa Olivetti, profesora Jerry McAfee (1940) de Ingeniería en el DMSE.

Modelos que ven en 3D

Los científicos de materiales buscan siempre cristales nuevos que den paso a los productos del futuro. Durante la última década la IA cambió ese proceso, proponiendo y diseñando nuevas estructuras cristalinas. Esas estructuras tienen los átomos muy ordenados y forman más del 90% de los materiales sólidos de la Tierra. La mayoría de esos modelos trata a los materiales cristalinos sólidos como grafos 3D.

Los grandes modelos de lenguaje dieron a los investigadores otra herramienta. Pero los modelos existentes dependen mucho del texto de papers y libros publicados, lo que limita su conocimiento del mundo físico, porque muchas estructuras cristalinas posibles están guardadas en bases de datos computacionales. Los modelos basados en texto tampoco entienden la geometría visual.

Para resolver eso, el equipo decidió crear un modelo de visión y lenguaje para materiales cristalinos.

Entrenaron un modelo de lenguaje para generar descripciones en texto de estructuras cristalinas con una técnica llamada aprendizaje contrastivo. El modelo compara ejemplos parecidos y distintos de estructuras y descripciones hasta llegar a una comprensión unificada, algo parecido a alinear las regiones visuales y de lenguaje del cerebro.

Después del entrenamiento compararon las predicciones de dos versiones del modelo. Una se entrenó con un conjunto de datos que contenía las descripciones generadas por IA y la otra con texto de papers solamente. La versión entrenada con las descripciones generadas aprendió a alinear las estructuras geométricas con las descripciones en texto, y la otra no lo logró.

"Queríamos crear un modelo de IA que funcionara de forma amplia con distintos materiales", dice Li. "Por eso decidimos sintetizar narrativas en vez de depender solo de los papers existentes. Vimos que cuando usábamos ese conjunto de narrativas, los modelos predecían mejor la función".

¿Para qué sirve en ciencia de materiales?

Los investigadores mostraron después que al modelo se le puede entregar una consulta en lenguaje natural que describe una propiedad, y que identifica materiales cristalinos con esa propiedad mejor que un modelo de referencia.

"A veces hay saltos en la ciencia de materiales cuando la integración de algoritmos da lugar a herramientas útiles, que la comunidad usa para seguir avanzando", dice Olivetti. "Este enfoque nos ayuda a ver más a fondo las estructuras tridimensionales y a conectar la estructura con las propiedades y el procesamiento. Espero que pueda ser uno de esos saltos".

Li compara el modelo con AlphaFold, el modelo de IA que conecta la estructura de las proteínas con su función y que ayudó a avanzar la investigación biológica y el desarrollo de fármacos.

El equipo cree que el enfoque sirve para muchos materiales cristalinos y espera que otros científicos de materiales lo usen en su trabajo.

"Poder ver un cristal tridimensional y cómo se conectan sus átomos es muy fundamental", dice Li. "Creo que esto le va a servir a cualquiera que trabaje en ciencia de materiales".

El trabajo recibió financiamiento parcial de la Agencia de Reducción de Amenazas de Defensa de EE.UU. (DTRA), a través de la University Research Alliance; de la Agencia de Proyectos de Investigación Avanzada de Defensa (DARPA), y de la Fundación Nacional de Investigación de Corea.