La IA acelera la búsqueda de materiales para almacenar residuos nucleares de forma segura

# La IA acelera la búsqueda de materiales para almacenar residuos nucleares de forma segura

Científicos rusos han encontrado una vía para abordar uno de los problemas más difíciles de la energía nuclear: hallar materiales que almacenen los residuos nucleares de forma fiable. La clave está en una combinación poco habitual: química clásica y aprendizaje automático. Un equipo de investigadores de Skoltech, AIRI y Sber AI construyó un diagrama de fases preciso de los carburos de tecnecio con redes neuronales de grafos, en lugar de los cálculos cuánticos tradicionales. Los resultados se publicaron en la prestigiosa revista Acta Materialia. No es solo un resultado científico: demuestra cómo la IA puede cambiar de raíz la velocidad del desarrollo en ciencia de materiales.

El reto era realmente complejo. Los carburos de tecnecio son críticos para la eliminación segura de residuos nucleares, pero estudiar sus propiedades exige enormes recursos de cálculo. El enfoque tradicional se basa en cálculos cuánticos, métodos que modelan el comportamiento de electrones y núcleos a partir de las leyes de la física. Estos cálculos son extremadamente precisos, pero requieren días o semanas incluso en superordenadores potentes. Cuando hay que examinar miles de materiales candidatos y sus combinaciones, la tarea resulta prácticamente imposible. Los científicos llegaban a un callejón sin salida: sin entender por completo la estructura de un material es imposible garantizar su fiabilidad para almacenar sustancias peligrosas, y calcular esa estructura lleva un tiempo excesivo.

Aquí entran en juego las redes neuronales de grafos, modelos que representan las moléculas como grafos en los que los átomos son nodos y los enlaces químicos, aristas. Esta arquitectura permite que la red comprenda las relaciones espaciales entre átomos y prediga su comportamiento. Los investigadores entrenaron la red con los resultados de cálculos cuánticos clásicos para que "aprendiera" los patrones que estos habían revelado. Una vez entrenado, el modelo podía predecir al instante las propiedades de nuevos compuestos, algo que antes habría llevado semanas. Es como formar a un artesano experimentado y pedirle después un resumen escrito de su saber: otras personas podrán usar ese resumen en lugar de pasar por un largo aprendizaje.

El resultado es impresionante. Gracias al modelo de IA, los investigadores construyeron un diagrama de fases detallado de los carburos de tecnecio, un mapa que muestra qué estructuras cristalinas del material son estables a distintas temperaturas y presiones. El proceso fue miles de veces más rápido sin perder precisión. Esto significa que los científicos pudieron estudiar en unas semanas un volumen de materiales que antes habría requerido años. El trabajo demuestra que el aprendizaje automático en ciencia de materiales no es un juguete de demostración, sino una herramienta completa para problemas científicos reales.

La importancia de este avance va mucho más allá del tecnecio. La industria nuclear necesita materiales capaces de soportar condiciones extremas: altas temperaturas, radiación y corrosión. Todo ello exige un conocimiento profundo de la estructura de los materiales, y los métodos tradicionales son lentos. La IA abre el camino a una búsqueda sistemática de nuevos compuestos con propiedades predefinidas. Esto puede acelerar el desarrollo de sistemas más seguros de eliminación de residuos y, quizá, de nuevas generaciones de reactores nucleares.

Que las redes neuronales se desenvuelvan con la química y la ciencia de materiales apunta a cambios profundos en la ciencia. La IA no sustituye a los científicos, pero deja de ser solo una herramienta de análisis de datos. El aprendizaje automático se convierte en un socio del proceso creativo de búsqueda de soluciones. Al acortar el camino de la teoría a la práctica, estos enfoques aceleran no solo la investigación, sino el propio ritmo del progreso científico en campos donde cada día cuenta.