IA para descubrir materiales: el aprendizaje por refuerzo de Park y Walsh

Nature Machine Intelligence ha publicado un artículo de Park y Walsh sobre la aplicación de la IA y el aprendizaje por refuerzo al descubrimiento de nuevos materiales cristalinos. Los autores han desarrollado un marco para buscar de forma dirigida estructuras termodinámicamente estables con las propiedades deseadas. Es una de las nuevas vías para acelerar el descubrimiento científico mediante aprendizaje automático.

Cómo busca cristales el aprendizaje por refuerzo

Los materiales cristalinos se basan en estructuras tridimensionales regulares de átomos, en las que cada átomo ocupa una posición concreta de la red. El espacio de estructuras posibles es inmenso: en teoría existen miles de millones de combinaciones para disponer átomos de distintos elementos.

Comprobar cada variante resulta costoso en términos computacionales. Para cada cristal potencial hay que calcular la energía de la estructura mediante simulaciones cuánticas, verificar su estabilidad termodinámica y evaluar sus propiedades funcionales. El aprendizaje por refuerzo cambia la estrategia de raíz: en lugar de una búsqueda aleatoria, el algoritmo aprende de los resultados y recibe una «recompensa» por los materiales que son a la vez de baja energía y tienen las propiedades buscadas, como una IA de juegos que mejora tras miles de partidas.

Por qué importa para la tecnología

Los nuevos materiales cristalinos marcan el desarrollo de la industria de alta tecnología:

• Baterías y supercondensadores para vehículos eléctricos
• Paneles solares de alta eficiencia
• Semiconductores para microelectrónica y ordenadores cuánticos
• Catalizadores para la síntesis de fertilizantes, la producción de hidrógeno y la captura de CO₂

Cada avance en ciencia de materiales exige años de experimentos. Acelerar la búsqueda de materiales significa acelerar el progreso tecnológico. Park y Walsh muestran que el RL puede acotar el campo de búsqueda y orientarlo desde variantes aleatorias hacia combinaciones prometedoras que nadie había considerado.

IA para el descubrimiento científico

Nature Machine Intelligence es una de las revistas de referencia en la intersección entre el aprendizaje automático y la ciencia. El artículo encaja en una tendencia consolidada: el paso de la «IA para analizar datos» a la «IA para descubrir». Antes de Park y Walsh, ya se había aplicado el aprendizaje profundo al diseño molecular (AlphaFold de DeepMind para la estructura de proteínas, modelos generativos para moléculas orgánicas). Los autores extienden esta práctica al espacio de las estructuras cristalinas, donde la combinatoria es todavía más compleja.

Es especialmente relevante que Park y Walsh no orienten el RL solo a encontrar un único material óptimo, sino a descubrir un conjunto diverso de opciones, algo más práctico para los experimentalistas, que obtienen un abanico de alternativas.

Qué significa

El descubrimiento de materiales mediante RL pasa a formar parte del conjunto estándar de herramientas de IA para la ciencia, junto con los modelos de lenguaje para generar hipótesis y las simulaciones para validarlas. Las aplicaciones más cercanas son la aceleración de la I+D en baterías, semiconductores y paneles solares. A más largo plazo, los laboratorios automatizados, donde la búsqueda con RL funciona en bucle con experimentos robotizados: el algoritmo propone, el robot comprueba y los datos vuelven al modelo.

¿Cómo funciona el aprendizaje por refuerzo para descubrir nuevos materiales?

Es un marco para la búsqueda dirigida de estructuras termodinámicamente estables, en el que cada átomo del cristal ocupa una posición concreta en una red tridimensional regular.