A los científicos que buscan eliminar el dióxido de carbono (CO2) del aire de forma limpia y barata desde hace tiempo les interesan los marcos metalorgánicos, o MOF por su sigla en inglés: moléculas gigantescas similares a esponjas que pueden diseñarse con precisión para capturar el gas y luego liberarlo cuando se les ordene.
Formados por iones metálicos unidos por compuestos que contienen carbono, los MOF cuentan con una impresionante variedad de estructuras, cada una con sus propias propiedades. Por ejemplo, un MOF capaz de absorber CO2 en un lugar húmedo a nivel del mar tendrá una estructura distinta de otro que pueda funcionar en un clima seco y de gran altitud.
Clasificar los miles de millones de posibilidades para encontrar el MOF adecuado para un contexto específico es una tarea casi imposible para un químico humano. Sin embargo, es una tarea perfecta para un modelo de inteligencia artificial (IA).
Una de las empresas emergentes que está intentando desarrollar un modelo de este tipo es CuspAI, la cual utiliza la familia LLaMA de grandes modelos de lenguaje de código abierto, producidos por el gigante tecnológico Meta, como base para su modelo, el cual tiene entre 5,000 y 8,000 millones de parámetros y se ha perfeccionado con una enorme cantidad de datos sobre la ciencia de los materiales, desde simulaciones de mecánica cuántica hasta artículos académicos que describen métodos de fabricación.
El objetivo de CuspAI no es simplemente encontrar un buen MOF, sino construir un sistema que pueda ofrecer el adecuado para cualquier condición ambiental y, a partir de ahí, demostrar que la IA puede utilizarse para resolver cualquier problema de la ciencia de los materiales. Pronto podrían conseguirse mejores baterías, bioplásticos más limpios, semiconductores más potentes y, potencialmente, hasta superconductores a temperatura ambiente.
No es una quimera. En una ponencia presentada en noviembre de 2024, Aidan Toner-Rodgers, estudiante de doctorado en Economía del Instituto Tecnológico de Massachusetts (MIT, por su sigla en inglés), analizó los efectos de una nueva herramienta de IA en la productividad de los investigadores de materiales de una empresa estadounidense anónima.
LEA TAMBIÉN: Microsoft Perú: “Vienen otros deals de mucho impacto”
Gracias a un lanzamiento escalonado, en el que los miles de científicos de la empresa tuvieron acceso a la herramienta en tres grupos distintos, Toner-Rodgers pudo tratar su implementación como un experimento aleatorizado, y estimar su impacto. Los resultados fueron impresionantes: un aumento del 44% en el número de materiales descubiertos, un incremento del 17% en los prototipos de productos que utilizaban esos nuevos materiales y un aumento del 39% en el número de patentes solicitadas.
En la medida en que puede medirse algo así, Toner-Rodgers afirma que las innovaciones resultantes también parecían ser más genuinamente novedosas. Las patentes asistidas por IA eran más propensas a mencionar nuevos términos técnicos, y los propios materiales ostentaban estructuras físicas menos conocidas.
Pero el ingeniero químico neerlandés Aaike van Vugt señaló que, ya sea que se utilicen o no modelos de IA, el diseño de materiales sigue siendo “un dolor de cabeza”. Algunos retos son técnicos, ya que la producción de nuevos materiales suele requerir instalaciones de fabricación especializadas capaces de producir grandes cantidades a toda velocidad. Otros son financieros, ya que a las empresas centradas en la investigación y el desarrollo iniciales les cuesta trabajo encontrar la forma de convertir los descubrimientos en ganancias.
Otras industrias ya encontraron soluciones. Stef van Grieken, cofundador de Cradle, un laboratorio de proteínas impulsado por inteligencia artificial con oficinas en Ámsterdam y Zúrich, describe la industria farmacéutica como “capital privado con laboratorios adjuntos”. Los ensayos clínicos para nuevos medicamentos pueden ser implacables, pero fomentan las inversiones que distribuyen el riesgo y la recompensa por toda la industria, canalizando los recursos de vuelta a los investigadores en las trincheras. Los científicos de materiales no pueden permitirse ese lujo: los que se dedican a diseñar un material también tienen que ingeniárselas para probarlo, fabricarlo y venderlo.
Esto no ha disuadido a CuspAI. La empresa espera construir una plataforma que pueda diseñar materiales por encargo, dejando que empresas más grandes con laboratorios e instalaciones de fabricación se encarguen de realizar las pruebas y la manufactura.
LEA TAMBIÉN: El futuro en 18 industrias, según McKinsey: ¿en cuáles tiene oportunidades el Perú?
Despegan los MOF
Orbital Materials, con sede en Londres, también está utilizando la IA para intentar construir un MOF. La empresa entrenó su propio modelo desde cero, utilizando simulaciones de supercomputadoras para generar datos de entrenamiento, explicó Jonathan Godwin, exinvestigador de Google DeepMind que cofundó la empresa.
El resultado final son cientos de millones de interacciones químicas simuladas, cada una compuesta por tan solo un par de cientos de “tokens”: versiones avanzadas de las reacciones químicas escuetas que llenan un libro de texto de preparatoria. Eso representa muchísimos menos datos de entrenamiento que los necesarios para entrenar un gran modelo de lenguaje, pero Godwin espera que sean más que suficientes para construir un modelo pequeño y eficiente que pueda predecir con precisión interacciones químicas.
Pero en lugar de funcionar como un laboratorio puramente virtual como CuspAI, que desarrolla una IA y vende sus descubrimientos, Orbital está dispuesta a ensuciarse las manos. Su modelo fundacional ya generó una serie de MOF candidatos, y Orbital invirtió tiempo y dinero en laboratorios internos e ingenieros químicos para verificar que funcionan y pueden fabricarse a escala.
En diciembre, la empresa anunció un acuerdo con Amazon Web Services, un hiperescalador, para integrar un descubrimiento a uno de los enormes centros de datos de la empresa, donde el calor residual del sistema de refrigeración por aire alimentará la reacción química que depura el CO2 del aire. El objetivo es lograr que el centro de datos sea carbono negativo, por un costo de 20 centavos por hora y por chip. Si funciona, Orbital habrá convertido una invención generada por la IA en un producto funcional antes que nadie en la industria farmacéutica.
Otras empresas intentan automatizar por completo las funciones de los laboratorios. Van Vugt, el ingeniero químico, está al frente de una de ellas. Su empresa emergente, VSParticle, ofrece lo que, en la práctica, es una impresora 3D a nanoescala: mediante una técnica llamada ablación por chispa, crea una fina película de materiales novedosos, una nanopartícula a la vez, siguiendo una receta exclusiva para cada material.
Estas películas pueden utilizarse en baterías o como catalizadores. Van Vugt arguye que, si se generaliza su uso, podría ahorrarles a los científicos de materiales el arduo trabajo de averiguar cómo producir físicamente un candidato deseado. En lugar de preocuparse por la síntesis, podrían solo enviar la receta por correo electrónico al laboratorio de VSParticle y esperar a que el producto final se imprimiera en uno de los fabricantes automatizados de la empresa.
AUTOMATIZACIÓN Y ROBOTS
La automatización ha ido aún más lejos. En 2023, científicos del MIT demostraron que un robot impulsado por la IA podía predecir, fabricar y analizar casi 300 colorantes químicos nuevos, lo que llevó a diseñar nueve con propiedades muy deseables en la obtención de imágenes biomédicas. En 2024, un grupo dirigido por investigadores de la Universidad de Toronto presentó un agente de IA que consiguió (aunque con algo de ayuda humana) crear un material de ganancia (la sustancia que amplifica la luz) de categoría mundial para un láser.
Max Welling, cofundador de CuspAI, afirma que utilizar una combinación de IA y robótica como atajo para sintetizar nuevos materiales sería trascendental. Pero, advierte que “las recetas son muy quisquillosas”. Incluso pequeñas diferencias en la humedad o la calidad del aire pueden echar por tierra las posibilidades de que un laboratorio fabrique el producto deseado. Esto es aún más cierto para los laboratorios operados por robots, lo que ha llevado a algunos a cuestionar sus resultados.
En 2023, los investigadores del A-Lab, un laboratorio automatizado del Laboratorio Nacional Lawrence Berkeley, afirmaron haber fabricado 41 materiales nuevos que se predijeron utilizando datos de Google DeepMind y de The Materials Project, una iniciativa que pretende simular las propiedades de todos los materiales inorgánicos. El anuncio fue impresionante, pero las dudas sobre el análisis del modelo han llevado a algunos químicos a cuestionar si realmente se produjo algún material nuevo. El equipo del A-Lab mantiene su planteamiento.
Por ahora, hay motivos para un cauto optimismo. En noviembre de 2024, Meta anunció una asociación con VSParticle y la Universidad de Toronto que ha financiado la creación, el análisis y la digitalización de más de 500 electrocatalizadores experimentales, una categoría de materiales que podría ser crucial para alimentar a las baterías de próxima generación.
Los grandes centros de datos de la empresa no siempre funcionan al máximo de su capacidad, comentó Larry Zitnick, director de investigación de la división de IA de Meta. Eso dejó potencia informática de sobra que Meta pudo donar al proyecto para realizar las primeras simulaciones de esos electrocatalizadores.
Para Chad Edwards, el otro fundador de CuspAI, hay más en juego que solo un nuevo material de captura de carbono. Si la apuesta de su empresa da resultado, sería una oportunidad para demostrar que la IA sí puede contribuir de forma significativa a la ciencia.
Comienza a destacar en el mundo empresarial recibiendo las noticias más exclusivas del día en tu bandeja Aquí. Si aún no tienes una cuenta, Regístrate gratis y sé parte de nuestra comunidad.
