La IA del MIT aprende a «ver» cristales 3D en un estudio

Si se pide a los grandes modelos de lenguaje actuales un material adecuado para una batería, responden basándose solo en texto, sin ninguna imagen de los átomos implicados. Un equipo del MIT ha creado un modelo destinado a cerrar esa brecha. En un artículo de Nature Communications, los investigadores describen un sistema al que se muestra la disposición tridimensional de los átomos de un cristal y que aprende a describirla con palabras. Identificó mejores diseños de materiales que los modelos entrenados solo con texto.

La mayoría de los materiales sólidos de la Tierra son cristales, es decir, sus átomos se sitúan en patrones tridimensionales muy ordenados y repetitivos, y más del 90 % de los materiales sólidos son de este tipo. Sin embargo, los grandes modelos de lenguaje aprenden sobre todo de artículos y libros publicados, y muchas estructuras cristalinas posibles existen únicamente en bases de datos computacionales. La literatura experimental también se concentra en unas pocas clases populares de cristales, por lo que los resultados de la IA tienden a centrarse en esos mismos materiales. La respuesta del equipo del MIT fue asociar cada estructura con una descripción detallada que abarca la composición, las propiedades, el procesamiento y los posibles usos, y entrenar después el modelo mediante aprendizaje contrastivo: compara pares de estructuras y textos que coinciden y que no coinciden hasta que ambos se alinean.

La comparación con una versión que solo usa texto es la prueba más clara del artículo. Los investigadores entrenaron dos modelos, uno con descripciones generadas por IA y otro solo con texto de artículos. Solo el primero aprendió a alinear las estructuras geométricas con el texto. Al pedirle que buscara materiales para electrolitos sólidos de baterías de iones de litio, entre sus mejores resultados figuraban materiales que otros investigadores habían identificado de forma independiente como candidatos prometedores. Ante una consulta en lenguaje natural que describía una propiedad, identificó materiales cristalinos con esa propiedad y superó a un modelo de referencia. Ju Li, el profesor del MIT que dirige el trabajo, lo compara con AlphaFold, el modelo que relacionó las estructuras de las proteínas con su función y contribuyó a avanzar en la investigación biológica y en el desarrollo de fármacos.

Para los científicos de materiales, el cambio inmediato es una búsqueda que parte de la propiedad que necesitan y no de un compuesto que ya conocen. Un investigador que busque un mejor electrolito sólido podría describir el comportamiento deseado y recibir candidatos para examinar, una tarea que hoy depende de la lectura de artículos y de la realización de experimentos. Olivetti, uno de los autores, expresa la esperanza sin rodeos: «Espero que esto pueda ser uno de esos cambios radicales». Los investigadores prevén que el enfoque funcione con muchos materiales cristalinos y esperan que otros científicos lo utilicen. Los resultados presentados son del propio equipo, y no se ha fijado una fecha para una versión que otros grupos puedan usar.