GNoME: Google DeepMind y el Laboratorio Nacional Lawrence Berkeley Revelan Descubrimiento de Materiales Impulsado por IA

Investigadores de Google DeepMind han utilizado la inteligencia artificial para predecir las estructuras de más de 2 millones de nuevos materiales, en un avance que podría tener beneficios de amplio alcance en sectores como la energía renovable y la informática.

DeepMind publicó 381,000 de las 2.2 millones de estructuras cristalinas que predice que son más estables.

El avance aumenta el número de materiales estables conocidos por un factor de diez. Aunque los materiales aún necesitarán ser sintetizados y probados, pasos que pueden llevar meses o incluso años, se espera que el último desarrollo acelere el descubrimiento de nuevos materiales, que serán necesarios para aplicaciones como el almacenamiento de energía, células solares y chips superconductores.

«Aunque los materiales juegan un papel muy crítico en casi cualquier tecnología, nosotros como humanidad solo conocemos unos pocos decenas de miles de materiales estables», dice Ekin Dogus Cubuk, un Científico de Investigación del Personal de Google Brain, que trabajó en la herramienta de IA de DeepMind, conocida como Redes Gráficas para la Exploración de Materiales (GNoME). Ese número se reduce aún más al considerar qué materiales son adecuados para tecnologías específicas, Cubuk le dijo a los periodistas en una sesión informativa el 28 de noviembre. «Digamos que quieres encontrar un nuevo electrolito sólido para baterías mejores. Estos electrolitos tienen que ser buenos conductores iónicos pero malos conductores electrónicos, y no deben ser tóxicos, no deben ser radiactivos. Una vez que aplicas todos estos filtros, resulta que solo tenemos unas pocas opciones con las que podemos seguir, que al final no revolucionan realmente nuestras baterías».

Solo ciertas combinaciones de elementos reaccionan para formar sólidos estables: si los enlaces entre los átomos constituyentes no son lo suficientemente fuertes, el sólido se descompondrá espontáneamente. Típicamente, se descubren nuevos materiales estables mediante ensayo y error, realizando cambios incrementales en materiales conocidos o mezclando elementos juntos en línea con principios derivados del campo de la química del estado sólido. El proceso a menudo es costoso y puede llevar meses: la experimentación humana ha dado como resultado las estructuras de 20,000 materiales estables en total. Estas estructuras están disponibles en la Base de Datos de Estructuras Cristalinas Inorgánicas (ICSD), la base de datos más grande del mundo de materiales identificados.

Se han realizado esfuerzos para predecir computacionalmente nuevos materiales en el pasado, más significativamente por el Proyecto de Materiales, un esfuerzo de investigación multinacional fundado por Kristin Persson en el Laboratorio Nacional Lawrence Berkeley. Estos esfuerzos han dado como resultado hasta ahora 28,000 materiales estables adicionales.

GNoME fue entrenado utilizando datos sobre estructuras de materiales y su estabilidad del Proyecto de Materiales. A continuación, los investigadores hicieron que GNoME sugiriera nuevas estructuras que su modelo determinó que probablemente serían estables. Se utilizaron técnicas computacionales establecidas para evaluar más precisamente la estabilidad de los materiales generados por GNoME. Estos datos de alta calidad se retroalimentaron en GNoME, aumentando su precisión en la predicción de estabilidad.

Google DeepMind tomó los 381,000 materiales que tienen más probabilidades de ser estables de los 2.2 millones de materiales total probablemente estables y los agregó a la ISCD, aumentando el número de materiales conocidos predichos como estables por un factor de diez. Para probar si los materiales que GNoME predice que son estables son realmente estables, Google DeepMind se asoció con investigadores externos que sintetizaron con éxito 736 de ellos.

Entre los 381,000 materiales había 528 posibles conductores de iones de litio que podrían usarse en baterías y 52,000 nuevos compuestos estratificados con una estructura similar al grafeno, abriendo la posibilidad de que algunos de estos pudieran ser la base para nuevos materiales superconductores. «Creemos que algunos de estos se fabricarán en el laboratorio, lo que esperamos que conduzca a aplicaciones muy emocionantes», dijo Cubuk.

Predecir si las estructuras cristalinas probablemente serán estables brinda a los científicos de materiales más objetivos a los que apuntar, señaló Cubuk. Pero eso aún deja muchas etapas que consumen tiempo antes de que el material pueda ser útil: sintetizar el material, probar si exhibe propiedades útiles como la conductividad y desarrollar métodos de síntesis a mayor escala.

Los investigadores del Laboratorio Nacional Lawrence Berkeley están trabajando para acelerar la etapa de síntesis. El A-Lab, un sistema automatizado de síntesis de materiales, trabajó 24 horas al día, 7 días a la semana durante 17 días para intentar sintetizar 58 materiales predichos por el Proyecto de Materiales, logrando éxito en 41 casos. Normalmente, puede llevar seis meses o incluso años sintetizar un material, dijo Cubuk.

«Este es el futuro: diseñar materiales de forma autónoma utilizando computadoras, pero también luego fabricarlos de forma autónoma utilizando estos laboratorios robóticos y aprender del proceso», dijo Persson en la sesión informativa.

Además de predecir con precisión si un material será estable, GNoME puede predecir si se comportará como un conductor iónico eficiente, una propiedad importante para las baterías. Los investigadores de Google DeepMind son optimistas en que las futuras herramientas de IA podrán predecir otras propiedades útiles. «Los modelos de aprendizaje automático, cuando se entrenan con muchos datos, realmente aprenden aspectos interesantes de la mecánica cuántica, y son capaces de generalizar y hacer predicciones sobre cosas sobre las que nunca fueron entrenados», dijo Cubuk. «Lo que nos entusiasma mucho sobre nuestros próximos desafíos, como predecir la sintetizabilidad».

El avance de GNoME es solo el último de Google DeepMind, que anteriormente produjo AlphaFold para predecir el plegamiento de proteínas, la herramienta de detección de enfermedades genéticas AlphaMissense y GraphCast para la predicción del tiempo.

«Si piensas en el problema de la predicción de la estructura de proteínas y si piensas en la estabilidad de los materiales, ambos son problemas nodales, [que] creemos que desbloquean una serie de aplicaciones diferentes más allá de esos problemas en sí mismos», dijo Pushmeet Kohli, quien lidera el equipo de IA para la Ciencia de Google DeepMind. «Este problema específico tiene implicaciones para muchos otros problemas que realmente preocupan a la sociedad hoy en día».