Cuando pensamos en un vehículo eléctrico, solemos imaginar baterías, puntos de carga y autonomía. Pero en el corazón de muchos motores hay una pieza igual de decisiva: el imán permanente. Es el componente que permite convertir electricidad en movimiento con gran eficiencia, como si fuera el “empujón constante” que mantiene al motor trabajando sin perder fuerza.
El inconveniente es conocido en la industria desde hace años: los imanes más potentes suelen depender de tierras raras, un grupo de elementos que encarecen la fabricación, complican la cadena de suministro y generan una dependencia exterior difícil de gestionar. En otras palabras, es como cocinar todos los días con un ingrediente que solo se consigue en una tienda lejana, cara y con horario imprevisible. Por eso, encontrar materiales magnéticos alternativos, sostenibles y abundantes se ha convertido en una prioridad estratégica para movilidad eléctrica, energía e incluso electrónica de consumo.
El giro práctico: buscar imanes como quien busca patrones en una biblioteca infinita
Un equipo de la Universidad de New Hampshire ha propuesto una vía distinta para acelerar esa búsqueda: usar inteligencia artificial para ordenar y analizar el conocimiento experimental ya publicado, en lugar de depender únicamente de prueba y error en laboratorio. Su resultado es una base de datos masiva, la Northeast Materials Database, que reúne 67.573 compuestos magnéticos y, dentro de ese océano, destaca 25 materiales que no se habían reconocido antes como imanes capaces de mantenerse activos a altas temperaturas.
Este matiz es clave. Muchos materiales pueden mostrar magnetismo en condiciones muy concretas, pero pierden esa propiedad cuando sube la temperatura. En aplicaciones reales —motores, generadores, sistemas industriales— el calor no es un detalle: es parte del paisaje. Un imán que se “desinfla” con el calor es como una pegatina que solo pega en invierno.
Según el equipo, el objetivo no es solo encontrar candidatos curiosos, sino recortar tiempos y costes en un campo donde el número de combinaciones posibles de elementos se cuenta por millones. La investigación se publicó en Nature Communications y está firmada por Suman Itani, Yibo Zhang y Jiadong Zang.
Qué hace diferente a esta base de datos: datos experimentales y una IA que “lee” artículos
Las bases de datos científicas existen desde hace décadas. Lo novedoso aquí está en el método para alimentarlas y convertirlas en una herramienta útil para descubrir. El grupo desarrolló un sistema de IA capaz de leer literatura científica, extraer datos experimentales relevantes y convertir ese contenido, disperso y a veces difícil de comparar, en un conjunto estructurado.
Pensemos en ello con un ejemplo cotidiano: es la diferencia entre tener miles de recetas en fotos borrosas y tenerlas todas transcritas, etiquetadas por ingredientes, tiempo de cocción y resultados. Cuando la información pasa a estar normalizada, se vuelve “buscable” y, sobre todo, comparable.
Con esos datos, entrenaron modelos para dos tareas muy concretas: determinar si un material es magnético y estimar la temperatura a la que deja de serlo. Esa temperatura de pérdida de magnetismo (conocida en física de materiales por conceptos como el punto de Curie en ciertos casos) es uno de los criterios decisivos para hablar de imanes útiles fuera del laboratorio.
Por qué importan los “imanes de alta temperatura” para coches y energías renovables
Los motores de tracción y muchos generadores trabajan en entornos térmicamente exigentes. En un coche, hay picos de demanda, frenadas regenerativas, condiciones ambientales variadas y calor acumulado. En un aerogenerador o en sistemas industriales ocurre algo parecido: el rendimiento real se decide bajo estrés, no en condiciones ideales.
Un material que conserve un magnetismo fuerte a temperaturas elevadas puede traducirse en motores más compactos, con menos pérdidas y, potencialmente, más baratos. También abre la puerta a diseños que dependan menos de elementos escasos. El mensaje de fondo es directo: si el mercado logra alternativas viables a los imanes basados en tierras raras, se reduce la vulnerabilidad de precios y suministro, y se facilita la escalabilidad de tecnologías limpias.
El equipo de New Hampshire lo plantea con un enfoque de impacto: acelerar el descubrimiento de imanes sostenibles ayudaría a reducir la dependencia de tierras raras y a abaratar componentes clave en vehículos eléctricos y sistemas de energía renovable, con implicaciones para la fabricación local y la seguridad de suministro.
Un detalle importante: encontrar candidatos no equivale a tener el “imán perfecto”
Conviene mantener la mirada fría. Señalar 25 materiales prometedores no significa que mañana vayan a sustituir a los imanes actuales en motores comerciales. En materiales, el salto desde “candidato interesante” a “componente industrial” es una carrera de fondo.
Un imán útil necesita una combinación de propiedades: fuerza magnética, estabilidad térmica, durabilidad, facilidad de fabricación, coste razonable y disponibilidad de elementos. Es como elegir neumáticos: no basta con que agarren bien en seco, también tienen que funcionar bajo lluvia, durar kilómetros y no disparar el presupuesto.
El valor de esta investigación está en cómo reduce el espacio de búsqueda. En vez de explorar a ciegas millones de combinaciones, se parte de una selección basada en evidencias experimentales y modelos que priorizan lo más prometedor. Eso permite que los laboratorios concentren recursos donde hay más posibilidades de éxito.
La IA como herramienta científica: menos “pico y pala”, más brújula
Hay una idea que se repite en la ciencia de materiales moderna: el cuello de botella ya no es solo medir, sino decidir qué medir primero. En ese sentido, la IA en ciencia de materiales actúa como una brújula. No sustituye al laboratorio, pero ayuda a apuntar mejor.
El propio equipo reconoce que, a pesar de la existencia de muchos compuestos magnéticos conocidos, no se ha identificado un imán permanente completamente nuevo “aprovechable” a partir de ese conjunto. Ese dato ilustra lo difícil que es el terreno: la información está ahí, pero extraer una ruta práctica cuesta años. La propuesta de la Northeast Materials Database es convertir el conocimiento acumulado en una herramienta de exploración más rápida, reutilizable y ampliable.
Lo que viene después: del laboratorio a la industria, y un guiño a la educación
La investigación también deja caer un uso colateral interesante: el modelo de lenguaje utilizado podría servir para tareas más amplias, como convertir imágenes a formatos de texto enriquecido, algo relevante para modernizar y preservar colecciones documentales. Es un recordatorio de que muchas mejoras de IA nacen en un proyecto muy específico y luego encuentran aplicaciones inesperadas, como un buen cuchillo de cocina que termina sirviendo para todo.
En cuanto al respaldo institucional, el proyecto recibió apoyo de la Office of Basic Energy Sciences del Departamento de Energía de Estados Unidos, un detalle que suele indicar interés estratégico por tecnologías con impacto industrial y energético.
Si este enfoque se consolida, lo razonable es esperar más bases de datos experimentales alimentadas por IA, modelos más finos para predecir propiedades y, sobre todo, un proceso de innovación más continuo: iterar entre datos publicados, predicción, validación experimental y vuelta a entrenar. No es magia; es un ciclo de aprendizaje acelerado.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí