La búsqueda de nuevos materiales para baterías es una carrera contra el tiempo. Cada experimento para probar una combinación química puede tardar semanas o incluso meses. Esto convierte el desarrollo de nuevas tecnologías energéticas en un proceso lento, especialmente cuando se trata de químicas emergentes que no cuentan con décadas de datos acumulados. Ante este desafío, un equipo de la Universidad de Chicago ha logrado un avance notable: un modelo de inteligencia artificial capaz de explorar un millón de combinaciones químicas para electrolitos de baterías partiendo de apenas 58 datos experimentales.
Este trabajo, dirigido por el laboratorio del profesor asistente Chibueze Amanchukwu, del Pritzker School of Molecular Engineering, fue recientemente publicado en la revista Nature Communications. El modelo creado aplica una técnica conocida como «aprendizaje activo», una estrategia que permite a la IA aprender mientras decide cuáles experimentos serían más informativos para mejorar su rendimiento.
Aprendizaje activo: el ciclo de prueba y error acelerado
En lugar de entrenar el modelo con una gigantesca base de datos histórica, los investigadores empezaron con solo 58 puntos de datos. A partir de allí, la IA generó predicciones sobre nuevas combinaciones químicas que podrían funcionar como electrolitos eficientes. Lo inusual de este trabajo es que el equipo no se quedó en simulaciones: fabricaron baterías reales con las sustancias sugeridas, probaron su rendimiento y retroalimentaron los resultados en el sistema para afinar la próxima ronda de predicciones.
El postdoctorando Ritesh Kumar, coautor del estudio, destaca que la validación experimental es clave. Muchos estudios se quedan en aproximaciones computacionales, pero esas simulaciones pueden alejarse de lo que sucede en condiciones reales. Aquí se decidió enfrentar la realidad física desde el inicio. Si la IA proponía un electrolito prometedor, el equipo lo sintetizaba y medía su durabilidad, evaluando su «ciclo de vida», uno de los indicadores más críticos en baterías.
Este ciclo de predicción, fabricación y prueba se repitió en siete rondas. En cada una, se testearon alrededor de diez electrolitos diferentes. Finalmente, se identificaron cuatro nuevas combinaciones que igualan o superan el rendimiento de los electrolitos comerciales más avanzados disponibles hoy.
Riesgos de extrapolar desde pocos datos
Al igual que pedirle a un generador de imágenes que pinte una cara con seis dedos, una IA que extrapola demasiada información desde una base de datos pequeña puede cometer errores. Los investigadores eran conscientes de esto. Desde el principio, el modelo no solo generaba predicciones, sino también un nivel de incertidumbre asociado a cada resultado. Esta información permitió priorizar cuáles compuestos valía la pena probar primero, maximizando el beneficio de cada nuevo experimento.
Con más datos, las predicciones se vuelven más fiables. Pero el valor de esta metodología reside justamente en hacer mucho con poco. Frente a la imposibilidad de probar un millón de combinaciones en el laboratorio, esta IA funciona como una especie de intuición científica automatizada, orientando la investigación hacia zonas químicas que tal vez los humanos no habrían explorado por su cuenta.
De la predicción a la generación
Actualmente, el modelo de IA parte de combinaciones ya existentes en bases de datos, y extrapola nuevas a partir de ellas. Pero los investigadores ya miran hacia un siguiente paso: convertir esta herramienta en una IA generativa, capaz de inventar moléculas completamente nuevas, sin depender de registros previos. En un universo químico con potencial de hasta 10 elevado a la 60 combinaciones posibles, las oportunidades son literalmente inabarcables por medios tradicionales.
Según el coautor Peiyuan Ma, esto permitiría romper con los límites de la literatura científica actual. Ya no se trataría solo de mejorar lo conocido, sino de descubrir configuraciones que nadie ha imaginado. No obstante, también advierte que, para que estas moléculas lleguen a ser útiles en el mundo real, la IA deberá evaluar muchos más criterios que solo la vida útil del ciclo de carga.
Un electrolito comercial no solo debe durar: también tiene que ser seguro, barato y tener buena capacidad de almacenamiento. La próxima generación de modelos deberá incluir estas variables para filtrar los candidatos con mayor potencial de éxito práctico.
Superar el sesgo humano en la ciencia
El proceso tradicional de investigación suele centrarse en lo que ya se conoce. Existe una inclinación natural a estudiar variaciones de compuestos que ya han mostrado buenos resultados. Es una forma de reducir riesgos, pero también limita el alcance del descubrimiento. Según Kumar, la IA puede ayudarnos a salir de ese ciclo y mirar más allá de las fronteras habituales del conocimiento científico.
Este modelo no reemplaza la ciencia experimental, sino que la complementa. Actúa como un navegador que sugiere rutas menos exploradas en un mapa gigantesco. La combinación de intuición humana, experimentación y herramientas de inteligencia artificial está marcando una nueva etapa en la ciencia de materiales.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí