Cómo puede ayudar la IA en la innovación en materiales: desde el descubrimiento hasta el diseño

Imaginemos este escenario: David, un científico de materiales en un laboratorio de vanguardia potenciado por inteligencia artificial (IA), colabora con una plataforma de IA para diseñar un nuevo material compuesto de alto rendimiento. La plataforma genera al instante millones de estructuras moleculares sin precedentes, evalúa su viabilidad, predice sus propiedades y propone rutas de síntesis rentables.

Luego, de forma autónoma, asigna tareas de síntesis y las envía a equipos experimentales de alta capacidad. A través de ciclos iterativos guiados por retroalimentación rápida de la IA, David logra una fórmula innovadora. El sistema evalúa sus resultados, sugiere ajustes adicionales y alerta al jefe de proyecto para iniciar la producción a escala.

Este tipo de jornada probablemente será algo común en las empresas de alta tecnología dedicadas al desarrollo de nuevos materiales en un futuro cercano. Gracias a los avances en IA, los científicos de materiales están logrando descubrimientos a un ritmo sin precedentes, respondiendo a la necesidad urgente de crear materiales novedosos que permitan la descarbonización en todos los sectores. Los materiales tradicionales a menudo resultan insuficientes para las tecnologías verdes de próxima generación, lo que genera un cuello de botella en los esfuerzos para enfrentar el cambio climático.

Sin embargo, como destaca el informe Top 10 Emerging Technologies of 2024 del Foro Económico Mundial, la IA está revolucionando la forma en que descubrimos y aplicamos nuevos conocimientos, con el potencial de habilitar materiales avanzados para celdas solares más eficientes, baterías de mayor capacidad y tecnologías clave de captura de carbono, acelerando así el camino hacia la neutralidad de carbono.

Esta transformación tecnológica llega en un momento crucial. A medida que la competencia global por recursos finitos se intensifica y crece la urgencia de abordar los desafíos climáticos, los avances en materiales avanzados serán fundamentales para ofrecer tecnologías más limpias y resilientes.

Los enfoques tradicionales para el desarrollo de materiales —basados principalmente en la experiencia, la intuición y metodologías de prueba y error— resultan cada vez más insuficientes para enfrentar los desafíos actuales. Hoy, los científicos e ingenieros de materiales se enfrentan a varios obstáculos clave:

Es precisamente aquí donde la “IA para la ciencia” (AI4S, por sus siglas en inglés) ofrece un potencial transformador. Los modelos avanzados de aprendizaje automático, entrenados con extensos conjuntos de datos y combinados con métodos computacionales de alto rendimiento, pueden predecir las propiedades de numerosas sustancias en muy poco tiempo, evaluando rápidamente candidatos frente a parámetros deseados.

Más allá de los modelos discriminativos —que predicen propiedades de los materiales—, los modelos generativos pueden diseñar directamente estructuras moleculares en función de propiedades buscadas, creando las moléculas necesarias.

El modelo generativo más reciente de Deep Principle, llamado ReactGen, por ejemplo, puede proponer rutas de reacción químicas novedosas y complejas al aprender principios subyacentes de reacciones, lo que permite descubrir rutas de síntesis innovadoras y eficientes.

Estos modelos también pueden generar y explorar de manera iterativa diversas rutas de síntesis, incorporando información química y restricciones físicas para recomendar procesos de reacción viables. En la formulación de productos, la IA permite una optimización multiobjetivo que responde con precisión a requisitos de mercado complejos y variables, ahorrando una cantidad significativa de capital humano, recursos materiales y tiempo de desarrollo.

Líderes globales en tecnología, desde Microsoft y Google hasta el Laboratorio Nacional Lawrence Berkeley, han lanzado iniciativas ambiciosas como MatterGen y GNOME, que utilizan IA para ampliar enormemente la escala y la precisión de la investigación en materiales.

En paralelo, actores emergentes como XtalPi están construyendo “mecanismos de retroalimentación” integrados de generación de datos e inferencia, que combinan laboratorios automatizados con IA avanzada para permitir un descubrimiento acelerado e iterativo a una escala sin precedentes.

“2024 también ha sido un año transformador para las startups del ecosistema de IA para la ciencia, especialmente en biotecnología y en los campos emergentes de la química y la ciencia de materiales”, escribieron Chenru Duan y otros organizadores de la comunidad AI for Science en su revisión anual.

En biotecnología y farmacéutica se han alcanzado varios hitos importantes. XtalPi salió a bolsa con una valoración de 2.500 millones de dólares, y otras empresas destacadas, como Terray Therapeutics e Iambic Therapeutics, completaron rondas de financiación significativas mientras avanzaban en sus líneas de desarrollo de fármacos.

Un caso sobresaliente fue Isomorphic Labs, una empresa derivada de Google DeepMind. La compañía anunció alianzas estratégicas con Eli Lilly y Novartis, asegurando 82,5 millones de dólares iniciales y proyectando un potencial total de 3.000 millones (sin incluir regalías). Esta asociación resalta el enorme valor comercial de los modelos de IA especializados, incluso para gigantes farmacéuticos consolidados.

Mientras tanto, han comenzado a surgir startups enfocadas en química y ciencia de materiales. Empresas como Orbital Materials y DP Technology lanzaron modelos de aprendizaje automático preentrenados a gran escala —Orb y DPA-2, respectivamente— diseñados para acelerar simulaciones de dinámica molecular con mayor precisión.

Además, nuevas startups como CuspAI, Lila Sciences y la nuestra, Deep Principle, cerraron exitosas rondas de financiación semilla, cada una con la visión de transformar el descubrimiento en química y materiales.

En el caso de Deep Principle, estamos revolucionando la innovación en materiales, desde el descubrimiento hasta el diseño, mediante modelos generativos de IA. Integramos IA generativa, química cuántica y experimentación automatizada en un flujo de trabajo unificado que cubre toda la cadena: desde la generación de moléculas y el diseño de síntesis, hasta la optimización de reacciones y formulaciones, donde nuestra plataforma generativa de IA de desarrollo propio será una de las claves.

A pesar de las promesas de este nuevo paradigma, todavía hay desafíos importantes a resolver antes de que la IA para la ciencia (AI4S) logre una implementación industrial generalizada:

Para superar estos obstáculos, las empresas y centros de investigación tienden a establecer asociaciones colaborativas para crear conjuntos de datos universales o específicos de dominio, mientras mejoran continuamente los algoritmos mediante ciclos de desarrollo iterativos.

De manera crucial, la integración de enfoques puramente basados en datos con metodologías de primeros principios mejora la capacidad de extensión: mientras que los algoritmos de aprendizaje profundo sobresalen en el ajuste de datos disponibles, los principios fundamentales y el conocimiento especializado permiten extrapolar eficazmente a áreas con datos empíricos limitados o inexistentes.

La IA se está consolidando rápidamente como una fuerza clave que marca el inicio de una nueva era en la innovación de materiales. Su capacidad inigualable para explorar y evaluar vastos paisajes de estructuras y combinaciones conocidas permite a los científicos identificar con rapidez materiales óptimos que, por métodos tradicionales, llevarían años o incluso décadas en descubrirse.

Los modelos generativos de IA van un paso más allá: crean directamente moléculas y rutas de reacción inéditas, diseñadas para aplicaciones específicas, lo que abre posibilidades sin precedentes en diseño inverso e innovación. Al integrarse con plataformas experimentales automatizadas, la IA permite un ciclo rápido y eficiente de hipótesis, predicción y validación, acelerando drásticamente el paso del descubrimiento teórico a la producción industrial a escala.

Mucho más que una simple mejora en conveniencia, esta agilidad aborda de manera directa cuellos de botella históricos de la I+D convencional de materiales, que suele ser lenta, intensiva en mano de obra y con bajas tasas de éxito, quedando por debajo de las crecientes exigencias de los mercados e industrias en rápida evolución.

Al fomentar una colaboración interdisciplinaria —e incluso transfronteriza— sin fricciones, y al aprovechar tanto la profundidad del conocimiento especializado como la amplitud de los enfoques basados en datos, las plataformas potenciadas por IA están preparadas para transformar la ciencia de materiales, ofreciendo los avances necesarios para un futuro más sostenible y resiliente para todos.