La inteligencia artificial se convierte en una herramienta cotidiana para los químicos

Sábado 07 - 10:20

En los laboratorios de química, la inteligencia artificial ya no es un experimento aislado, sino un conjunto de técnicas que sirven para cribar grandes bases de datos, predecir propiedades de materiales y orientar a los investigadores hacia unas pocas moléculas realmente prometedoras. El químico teórico François‑Xavier Coudert, investigador del CNRS especializado en materiales porosos, describe cómo el uso de modelos de aprendizaje automático permite ir más allá de la intuición humana cuando se buscan nuevos compuestos o se reutilizan materiales conocidos en aplicaciones para las que nunca habían sido pensados, por ejemplo la captura selectiva de CO₂ en corrientes de gases industriales.

Una motivación central es explotar el enorme volumen de datos acumulado por laboratorios académicos y departamentos de I+D, que durante años han generado resultados experimentales y simulaciones difíciles de aprovechar de forma sistemática. En lugar de limitarse a diseñar un material para un solo uso y abandonarlo si no funciona como se esperaba, los equipos pueden entrenar modelos capaces de recorrer bibliotecas de compuestos existentes, evaluar su comportamiento en nuevas condiciones y detectar candidatos con buen rendimiento para tareas como la separación de mezclas complejas o el almacenamiento de gases, en un enfoque similar al “repurposing” de fármacos.

Los trabajos recientes de Coudert y de otros grupos muestran cómo la combinación de simulaciones moleculares y aprendizaje automático acelera la búsqueda de estructuras metal‑orgánicas idóneas para separar CO₂ de otras moléculas con propiedades físicas muy parecidas, como el acetileno. A partir de descriptores que codifican la geometría de los poros, la química del armazón y parámetros termodinámicos, los modelos pueden descartar miles de opciones poco interesantes y centrarse en una lista corta de materiales que, una vez comprobados experimentalmente, llegan a superar a los mejores referentes conocidos.

La IA también se integra en las herramientas de simulación tradicionales mediante potenciales de interacción basados en aprendizaje automático, capaces de reproducir con precisión cuántica el comportamiento de sistemas complejos con un coste computacional mucho menor. Esto permite estudiar fases desordenadas o materiales flexibles que resultaban prohibitivamente caros de modelizar con métodos clásicos, y al mismo tiempo ofrece información sobre qué enlaces, motivos estructurales o movimientos colectivos controlan las propiedades observadas, en lugar de limitarse a producir predicciones opacas.

Otro frente emergente es el de los “datos oscuros” de la química: cuadernos de laboratorio, archivos dispersos y registros mal normalizados en los que se acumulan décadas de ensayos, errores y resultados intermedios. Herramientas de IA capaces de extraer, limpiar y estructurar esa información podrían alimentar nuevas generaciones de modelos, aunque Coudert insiste en que ello exigirá normas estrictas de documentación y reproducibilidad para evitar que los algoritmos hereden sesgos o fallos de experimentos antiguos.

Aun así, el investigador subraya que la IA no sustituye el criterio del químico, sino que lo amplifica: un algoritmo puede sugerir materiales con buena afinidad por el CO₂ o una estabilidad teórica elevada, pero sigue siendo la comunidad científica quien debe decidir qué compuestos merece la pena sintetizar, qué configuraciones son seguras y qué soluciones encajan en procesos industriales reales. En este sentido, la principal aportación de la IA hoy por hoy es permitir que los equipos exploren mucho más terreno químico con los mismos recursos, transformando lentamente la forma en que se diseñan y se entienden las moléculas y los materiales.