Modelo de IA del MIT propone recetas para nuevos materiales

14:50

Investigadores del Instituto de Tecnología de Massachusetts han presentado DiffSyn, un modelo de IA que propone vías de síntesis prometedoras para materiales complejos, abordando uno de los cuellos de botella más intensivos en tiempo en la ciencia de materiales. Detallado en un estudio publicado hoy en Nature Computational Science, la herramienta alcanzó una precisión máxima en la predicción de rutas de creación para zeolitas, materiales clave en catálisis, adsorción e intercambio iónico.

"Para una analogía, sabemos qué tipo de pastel queremos hornear, pero ahora no sabemos cómo hacerlo," dijo el autor principal Elton Pan, candidato a doctorado en el Departamento de Ciencia e Ingeniería de Materiales del MIT. "La síntesis de materiales hoy depende de la experiencia del dominio y ensayo y error."

Aunque empresas como Google y Meta han utilizado IA generativa para crear vastas bases de datos de materiales teóricos con propiedades deseables, convertirlos en realidad a menudo requiere semanas o meses de trabajo de laboratorio meticuloso. DiffSyn acelera esto extrayendo de más de 23.000 recetas de síntesis de 50 años de literatura científica.

El modelo emplea un enfoque basado en difusión similar a la generación de imágenes de DALL-E. Los científicos ingresan una estructura de material objetivo, y DiffSyn genera combinaciones viables de temperaturas de reacción, duraciones, proporciones de precursores y otros parámetros. Puede producir 1.000 vías de síntesis en menos de un minuto, superando con creces los métodos tradicionales caso por caso.

Para validarlo, el equipo sintetizó un nuevo material tipo zeolita usando las sugerencias de DiffSyn. Las pruebas mostraron mayor estabilidad térmica y morfología prometedora para aplicaciones catalíticas.

A diferencia de modelos de aprendizaje automático previos que vinculaban materiales a recetas únicas, DiffSyn considera múltiples caminos viables hacia la misma estructura. "Esto es un cambio de paradigma de emparejamiento uno a uno estructura-síntesis a uno a muchos," explicó Pan. "Esa es una razón clave de nuestras fuertes mejoras en benchmarks."

El trabajo contó con apoyo de MIT International Science and Technology Initiatives, la National Science Foundation, ExxonMobil y la Agencia para la Ciencia, Tecnología e Investigación de Singapur.

Mirando al futuro, el equipo ve potencial de expansión más allá de las zeolitas a marcos metal-orgánicos y sólidos inorgánicos. "En última instancia, conectaríamos estos sistemas inteligentes a experimentos autónomos en el mundo real, usando razonamiento agentico sobre retroalimentación experimental para acelerar drásticamente el diseño de materiales," dijo Pan.