Google DeepMind espera cambiar esta situación con una nueva herramienta que utiliza el aprendizaje profundo para acelerar drásticamente el proceso de descubrimiento de nuevos materiales. Esta tecnología se denomina redes gráficas para la exploración de materiales (GNoME, por sus siglas en inglés), y ya se ha utilizado para predecir las estructuras de 2,2 millones de nuevos materiales. Entre ellos, más de 700 han sido creados en el laboratorio y se están probando en la actualidad, según se describe en un artículo publicado el 29 de noviembre en Nature.
Junto a GNoME, el Laboratorio Nacional Lawrence Berkeley (California, EE UU) también anunció un nuevo laboratorio autónomo. Este recoge la información de la base de datos de materiales, que incluye algunos de los descubrimientos de GNoME y utiliza el aprendizaje automático y unos brazos robóticos para diseñar nuevos materiales sin ayuda humana. Google DeepMind afirma que, en conjunto, estos avances muestran el potencial del uso de la IA para ampliar el descubrimiento y desarrollo de nuevos materiales.
GNoME puede describirse como AlphaFold para el descubrimiento de materiales, según afirma Ju Li, profesor de Ciencia e Ingeniería de Materiales del Instituto Tecnológico de Massachusetts (EE UU). AlphaFold es un sistema de IA de Google DeepMind, anunciado en 2020, y que predice las estructuras de las proteínas con gran precisión. Desde entonces, ha conseguido el progreso de la investigación biológica y el descubrimiento de fármacos. Gracias a GNoME, el número de materiales estables conocidos se ha multiplicado casi por diez, hasta alcanzar los 421.000.
"Aunque los materiales desempeñan un papel muy crítico en casi cualquier tecnología, la humanidad solo conoce unas pocas decenas de miles de materiales estables", aseguró Dogus Cubuk, líder en Descubrimiento de Materiales en Google DeepMind, durante una rueda de prensa.
Los científicos combinan elementos de toda la tabla periódica para descubrir nuevos materiales pero, como hay tantas combinaciones, realizar este proceso a ciegas es ineficaz. En su lugar, los investigadores parten de estructuras ya existentes, y hacen pequeños retoques con la esperanza de descubrir nuevas combinaciones con potencial. Sin embargo, este minucioso proceso lleva mucho tiempo y, al basarse en estructuras existentes, también limita el potencial de los descubrimientos inesperados.
Para superar estas limitaciones, Google DeepMind combina dos modelos diferentes de aprendizaje profundo. El primero genera más de mil millones de estructuras al modificar elementos de materiales ya existentes. Mientras que el segundo ignora las estructuras existentes y predice la estabilidad de nuevos materiales al basarse exclusivamente en fórmulas químicas. La combinación de estos dos modelos permite un abanico más amplio de posibilidades.
Una vez generadas las posibles estructuras, estas se filtran a través de los modelos GNoME de Google DeepMind. Dichos modelos predicen la energía de descomposición de una estructura concreta, un importante indicador de la estabilidad de un material. Los materiales "estables" no se descomponen con facilidad, algo importante cuando se trata de objetivos de ingeniería. GNoME selecciona las estructuras más prometedoras, que se someten a una evaluación posterior basada en marcos teóricos conocidos.
Este proceso se repite varias veces, y cada descubrimiento se incorpora a la siguiente ronda de formación.
En su primera ronda, GNoME predijo la estabilidad de distintos materiales con una precisión de alrededor del 5%, que aumentó con rapidez a lo largo del proceso de aprendizaje iterativo. Los resultados finales mostraron que GNoME consiguió predecir la estabilidad de las estructuras más del 80% de ocasiones para el primer modelo y el 33% para el segundo.
Aunque utilizar modelos de IA para idear nuevos materiales no es una idea novedosa. Materials Project, un programa dirigido por Kristin Persson en el Berkeley Lab (California, EE UU), ha utilizado técnicas similares para descubrir y mejorar la estabilidad de 48.000 materiales.
Sin embargo, el tamaño y la precisión de GNoME lo diferencian de otros modelos anteriores. Se entrenó con más datos que cualquier modelo anterior, afirma Chris Bartel, profesor adjunto de Ingeniería Química y Ciencia de los Materiales en la Universidad de Minnesota (EE UU).
“Hasta ahora, los cálculos similares resultaban caros y solo se podían realizar a una escala limitada”, explica Yifei Mo, profesor asociado de Ciencia e Ingeniería de Materiales de la Universidad de Maryland (EE UU). GNoME permite ampliar estos cálculos con mayor precisión y a un menor coste computacional: "El impacto puede ser enorme", concluye Mo.
Una vez identificados los nuevos materiales, es tan importante sintetizarlos y demostrar su utilidad. A-Lab, el nuevo laboratorio autónomo de Berkeley Lab, bautizado como ha estado utilizando algunos de los descubrimientos de GNoME con la información del Proyecto de Materiales, integrando la robótica con el aprendizaje automático para optimizar el desarrollo de dichos materiales.
El laboratorio es capaz de tomar sus propias decisiones sobre cómo fabricar un material propuesto y crea hasta cinco fórmulas iniciales. Estas son generadas por un modelo de aprendizaje automático que ha sido entrenado a partir del corpus científico existente. Tras cada experimento, el laboratorio utiliza los resultados para ajustar las formulaciones.
Según los investigadores del Laboratorio de Berkeley, A-Lab pudo realizar 355 experimentos en 17 días y sintetizar con éxito 41 de los 58 compuestos propuestos. Es decir, dos síntesis al día.
En un laboratorio típico, dirigido por humanos, se tarda mucho más en fabricar materiales. "Si tienes mala suerte, puedes tardar meses o incluso años", reconoció Persson en una rueda de prensa. La mayoría de los estudiantes se dan por vencidos al cabo de unas semanas. "Pero al A-Lab no le importa fracasar, sigue intentándolo e intentándolo".
Los investigadores de DeepMind y Berkeley Lab afirman que estas nuevas herramientas de IA pueden ayudar a acelerar la innovación sobre hardware de energía, computación y otros sectores.
"El hardware, en especial, lo referido a energías limpias, necesita innovación si queremos resolver la crisis climática", afirma Persson. "Este es un aspecto de la aceleración de esa innovación".
Bartel, que no participó en la investigación, asegura que estos materiales serán candidatos prometedores para tecnologías que abarcan baterías, chips informáticos, cerámica y electrónica.
Los conductores de las baterías de iones de litio son uno de los casos de uso más prometedores, pues desempeñan un importante papel en las baterías al facilitar el flujo de corriente eléctrica entre diversos componentes. Google DeepMind afirma que GNoME identificó unos prometedores 528 conductores de iones de litio entre otros descubrimientos, algunos de ellos pueden ayudar a que las baterías sean más eficientes.
Sin embargo, incluso tras el descubrimiento de nuevos materiales, las industrias suelen tardar décadas en llevarlos a la fase comercial. "Si podemos reducirlo a cinco años, será una gran mejora", concluye Cubuk.
Corrección: Esta noticia se ha actualizado para aclarar de dónde proceden los datos del laboratorio.