Investigadores del MIT han desarrollado un marco de inteligencia artificial llamado CrysVCD que mejora de forma drástica la tasa de estabilidad química de los diseños de materiales generados por ordenador, con el potencial de ahorrar a industrias y laboratorios de investigación enormes costes computacionales y tiempo que hoy se dedican a descartar materiales inestables. Detallada en un artículo publicado en Nature Computational Science, la herramienta funciona al asegurar que los materiales propuestos cumplan reglas fundamentales de la química sobre las configuraciones de electrones antes de que comience el costoso proceso de generación, en lugar de filtrar los fallos después.
Datos clave sobre CrysVCD
- CrysVCD significa «generador de cristales con diseño restringido por valencia» y fue desarrollado por investigadores del MIT de departamentos de ciencia de materiales, química, ingeniería química, física y ciencia nuclear.
- El marco combina un modelo de lenguaje que produce fórmulas químicamente válidas con un modelo de difusión que genera la estructura cristalina atómica correspondiente.
- CrysVCD alcanzó una alta estabilidad de dinámica de red en cerca del 70 % de las generaciones computacionales de materiales, una prueba exigente de estabilidad.
- Al ajustarse con métricas de estabilidad, el enfoque produjo materiales cristalinos con un 68 % de estabilidad mecánica y un 85 % de metaestabilidad.
- La herramienta también puede orientarse a propiedades específicas, como alta conductividad térmica para la refrigeración de centros de datos o alta constante dieléctrica para chips informáticos.
Por qué la estabilidad química ha sido un cuello de botella en los materiales diseñados con IA
Los modelos actuales de IA pueden generar millones de diseños de materiales nuevos en minutos, pero eso no se ha traducido en un aumento de materiales realmente usados en productos como chips informáticos y cohetes, porque los modelos no incorporan de manera fiable la estabilidad química. Los materiales inestables no son útiles en el mundo real, lo que obliga a las industrias a gastar grandes presupuestos computacionales para descartarlos y, en ocasiones, deja solo una pequeña fracción de opciones utilizables.
Mouyang Cheng, estudiante de doctorado del MIT que participó en la investigación, afirmó que validar la estabilidad «tiene un enorme coste computacional», estimándolo en aproximadamente el 90 % del coste computacional de crear materiales utilizables, y señaló que «puede llevar semanas o meses». Las grandes empresas con amplios presupuestos informáticos pueden asumir ese coste, pero muchas pequeñas empresas y laboratorios de investigación no, lo que puede limitar la innovación en este campo.
¿Cómo mejora CrysVCD los modelos existentes de generación de materiales?
CrysVCD comprueba que cada material propuesto cumpla reglas clave de la química relacionadas con los electrones alrededor de sus átomos antes de que empiece el costoso paso de generación, en vez de filtrar después los diseños inestables. Se integra en un proceso de dos etapas: primero, un modelo de lenguaje produce fórmulas químicamente válidas; después, un modelo de difusión genera la estructura atómica del cristal en coordinación con el modelo subyacente de generación de materiales.
El profesor asociado Mingda Li describió el papel de la herramienta mediante una analogía con los medios audiovisuales: «Si los modelos que generan materiales son como DVD, nosotros somos como el reproductor de DVD. Se puede conectar a cualquier tipo de modelo, no solo a los modelos de difusión existentes sino también a modelos futuros, cuando la gente no puede generar suficientes materiales estables, y puede mejorar la estabilidad». El estudiante de doctorado del MIT Weiliang Luo señaló que la generación típica de materiales basada en difusión es lenta, «como 1.000 pasos para crear un material», mientras que situar el modelo de CrysVCD al principio del proceso puede entenderse como dar solo «cinco pasos». El recién graduado Hao Tang añadió que este filtrado temprano «permite descartar los materiales inestables para generar materiales de mayor calidad» y que «funciona con cualquier modelo que genere materiales».
Qué significa esto para investigadores y laboratorios académicos
Heather Kulik, profesora Lammot du Pont de Ingeniería Química del MIT, afirmó que los grupos académicos con menos recursos que las grandes empresas pueden seguir logrando buenos resultados en el descubrimiento de materiales «con diseños más inteligentes y otros enfoques», en vez de depender de generar enormes números de candidatos y seleccionar después por estabilidad, un método que calificó de ineficiente por su alto coste computacional. Al restringir la generación con un modelo de lenguaje desde el inicio, afirmó, los investigadores «pueden mejorar significativamente la proporción de materiales estables generados». Mingda Li indicó que el enfoque «ahorrará enormes costes computacionales y tiempo al eliminar los requisitos de selección posteriores», lo que beneficiará tanto a iniciativas a gran escala que generan cientos de millones de materiales como a grupos de investigación más pequeños que persiguen aplicaciones específicas.
Orientar las propiedades de los materiales al mundo real
Además de la estabilidad, los investigadores utilizaron CrysVCD para generar candidatos de materiales con alta conductividad térmica y fácil polarización en un campo eléctrico, propiedades relevantes para los semiconductores y la refrigeración de centros de datos. Ju Li, profesor Carl Richard Soderberg de Ingeniería de Potencia del MIT, afirmó que se trata de «materiales útiles para la industria de los semiconductores y materiales de alta conductividad térmica relevantes para la refrigeración de centros de datos», y señaló que cerca del 30 % del creciente consumo energético de los centros de datos se destina a refrigeración, por lo que la industria necesita materiales capaces de eliminar el calor con mayor eficiencia.
Cheng explicó que perseguir a la vez estabilidad y objetivos de rendimiento específicos es inusualmente exigente: «Cada vez que se tienen dos objetivos, lograr esos objetivos con algo por encima del 50 % es difícil en este campo. En el pasado, las personas podían tener un objetivo de propiedades específicas y no de estabilidad, o viceversa, y obtener un porcentaje de un solo dígito de materiales que cumplían su objetivo». El equipo señala que el enfoque funciona mejor con estructuras sólidas que tienen disposiciones internas muy ordenadas, en lugar de con todo tipo de material.
Preguntas frecuentes
¿Qué es CrysVCD?
CrysVCD, abreviatura de «generador de cristales con diseño restringido por valencia», es un marco desarrollado en el MIT que comprueba si los diseños de materiales generados por IA cumplen reglas fundamentales de la química de las capas de valencia antes de que se ejecute el proceso completo de generación, mejorando las probabilidades de que los materiales generados sean químicamente estables.
¿Cuánto mejora CrysVCD las tasas de estabilidad de los materiales?
CrysVCD logró una alta estabilidad de dinámica de red en cerca del 70 % de las generaciones computacionales de materiales y, cuando se ajustó con métricas de estabilidad, produjo materiales cristalinos con un 68 % de estabilidad mecánica y un 85 % de metaestabilidad, según los investigadores del MIT.
¿Quién desarrolló CrysVCD y dónde se publicó?
CrysVCD fue desarrollado por un equipo de investigadores del MIT, entre ellos Mingda Li, Mouyang Cheng, Weiliang Luo, Hao Tang, Bowen Yu, Ju Li y Heather Kulik, junto con Yongqiang Cheng, del Oak Ridge National Laboratory, y Weiwei Xie, de Michigan State University. El trabajo aparece en un artículo de Nature Computational Science.
Financiación y próximos pasos
La investigación recibió apoyo, en parte, del Departamento de Energía de Estados Unidos, una beca Mathworks Engineering Fellowship, la National Science Foundation y la Agencia de Reducción de Amenazas de Defensa de Estados Unidos. Los investigadores afirman que el marco está diseñado para conectarse con modelos existentes basados en difusión, así como con futuros modelos de generación de materiales, lo que lo sitúa como una herramienta general para mejorar la estabilidad en todo el campo, en lugar de una solución puntual vinculada a una única arquitectura de modelo.
