MIT crea CrysVCD, una IA que diseña materiales estables para chips y centros de datos

Investigadores del MIT desarrollaron CrysVCD, un marco que incorpora reglas químicas antes de generar materiales con IA y que alcanzó altos niveles de estabilidad en pruebas computacionales, además de identificar candidatos para chips y refrigeración de centros de datos.
***

• CrysVCD combina un modelo de lenguaje con modelos de difusión para restringir desde el inicio las fórmulas químicamente válidas.
• El sistema alcanzó 68% de estabilidad fonónica y 85% de estabilidad termodinámica en generaciones computacionales de materiales cristalinos.
• La herramienta fue utilizada para buscar materiales con alta conductividad térmica y polarización, propiedades relevantes para semiconductores y centros de datos.

La inteligencia artificial puede generar millones de diseños de materiales en cuestión de minutos, pero esa velocidad todavía no se traduce en una cantidad equivalente de materiales utilizables en productos reales. El principal obstáculo está en la estabilidad química: muchos diseños cumplen una propiedad deseada sobre el papel, aunque resultan demasiado inestables para incorporarse a chips, cohetes u otras aplicaciones industriales.

Investigadores del Instituto Tecnológico de Massachusetts desarrollaron un marco llamado CrysVCD, sigla de generador de cristales con diseño restringido por valencia, para enfrentar ese problema antes de que comience la etapa más costosa. Según MIT News, el sistema aplica reglas relacionadas con los electrones de valencia de los átomos y aumenta la proporción de estructuras cristalinas estables que producen distintos modelos generativos.

Una barrera química para la inteligencia artificial

Los modelos de IA utilizados para descubrir materiales pueden trabajar desde una propiedad objetivo y proponer hacia atrás una fórmula o una estructura que, en teoría, la consiga. Algunos emplean modelos de difusión, una técnica también popular en la generación de imágenes, mientras otros recurren a modelos de lenguaje capaces de procesar relaciones químicas y estructurales.

Sin embargo, ninguno de esos enfoques garantiza por sí mismo que cada diseño respete principios fundamentales de la química o permanezca estable en condiciones relevantes. Esa limitación obliga a generar grandes volúmenes de candidatos y filtrarlos después mediante cálculos especializados, una estrategia que puede dejar solo una fracción pequeña de opciones con valor práctico.

Mouyang Cheng, Weiliang Luo, Hao Tang y Bowen Yu participaron en el estudio junto con investigadores del MIT, Oak Ridge National Laboratory y Michigan State University. El equipo explicó que la validación, especialmente la comprobación de estabilidad, puede representar cerca de 90% del costo computacional necesario para obtener materiales utilizables y prolongarse durante semanas o meses.

Ese precio afecta de forma especialmente intensa a los laboratorios académicos y a las empresas pequeñas, que no cuentan con presupuestos computacionales comparables a los de las grandes compañías. Heather Kulik, profesora Lammot du Pont de Ingeniería Química del MIT, sostuvo que restringir la generación desde el comienzo resulta más eficiente que producir materiales y realizar una selección descendente después.

Cómo funciona CrysVCD

El marco divide el proceso en dos etapas coordinadas. Primero, un modelo de lenguaje produce fórmulas químicamente válidas con base en las reglas de la capa de valencia; después, un modelo de difusión utiliza esas fórmulas para construir la estructura atómica correspondiente de un material cristalino.

Esta arquitectura permite que CrysVCD funcione como una capa compatible con diferentes generadores, en lugar de exigir un modelo completamente nuevo. Mingda Li, profesora asociada de Ciencia e Ingeniería Nuclear del MIT, comparó la herramienta con un reproductor de DVD que puede conectarse a distintos modelos de materiales, incluidos sistemas futuros.

Weiliang Luo describió la diferencia entre ambos enfoques como una reducción de aproximadamente 1.000 pasos de generación a cerca de cinco pasos de restricción inicial. La idea no consiste en reemplazar la difusión, sino en impedir que el proceso invierta recursos en candidatos que ya incumplen reglas químicas esenciales.

En las pruebas, los investigadores afirmaron que el método produjo materiales estables con una eficiencia un orden de magnitud superior a la de los sistemas que solo filtran los diseños después de generarlos. Al incorporar métricas de estabilidad al proceso, CrysVCD alcanzó 68% de estabilidad fonónica y 85% de estabilidad termodinámica en las generaciones computacionales analizadas.

Materiales para chips y centros de datos

La estabilidad no fue el único objetivo del estudio, porque el equipo también buscó materiales con propiedades específicas. Entre las aplicaciones examinadas estuvieron la alta conductividad térmica y la polarización fácil mediante un campo eléctrico, dos características relacionadas con necesidades de la industria de semiconductores.

Ju Li, profesor Carl Richard Soderberg de Ingeniería Eléctrica del MIT, señaló que la conductividad térmica resulta particularmente relevante para la refrigeración de centros de datos. De acuerdo con la información del instituto, cerca de 30% de la energía utilizada por esa industria se destina a enfriar sus instalaciones, por lo que materiales capaces de retirar calor con mayor eficiencia podrían tener un papel importante.

La posibilidad de perseguir simultáneamente estabilidad y rendimiento representa una diferencia frente a ciertos procesos anteriores. Cheng explicó que obtener más de 50% de cumplimiento cuando se plantean dos objetivos resulta difícil en este campo, mientras que algunos enfoques lograban porcentajes de un solo dígito al exigir estabilidad y una propiedad concreta al mismo tiempo.

El método, no obstante, tiene límites definidos: funciona mejor con estructuras sólidas cuyo interior presenta arreglos altamente ordenados. Esa condición restringe su aplicación frente a materiales con arquitecturas menos cristalinas, aunque todavía deja un espacio amplio para explorar compuestos destinados a semiconductores, sistemas térmicos y otras tecnologías avanzadas.

Un diseño más accesible

La propuesta del MIT apunta a reducir la dependencia de enormes presupuestos de computación durante la fase de descubrimiento. Si una herramienta elimina temprano buena parte de los candidatos inestables, los grupos de investigación pueden concentrar sus recursos en simulaciones y pruebas de los diseños con mayor posibilidad de sobrevivir a evaluaciones rigurosas.

Mingda Li afirmó que el ahorro podría beneficiar tanto a iniciativas capaces de generar cientos de millones de materiales como a equipos pequeños con objetivos muy específicos. Esa diferencia importa porque la IA puede ampliar la búsqueda de compuestos, pero sus costos de validación todavía pueden concentrar la innovación en las organizaciones con mayor capacidad de cómputo.

El estudio fue elaborado por investigadores afiliados a los departamentos de Ciencia e Ingeniería de Materiales, Química, Ingeniería Química, Física y Ciencia e Ingeniería Nuclear del MIT. También participaron Yongqiang Cheng, científico del personal de Oak Ridge National Laboratory; Weiwei Xie, profesora asociada de Michigan State University; además de Ju Li, Heather Kulik y los estudiantes involucrados en el proyecto.

El artículo Enhancing Materials Discovery with Valence Constrained Design in Generative Modeling fue publicado en Nature Computational Science. El trabajo recibió apoyo parcial del Departamento de Energía de Estados Unidos, una beca de ingeniería MathWorks, la National Science Foundation y la Agencia de Reducción de Amenazas de Defensa de Estados Unidos.

El siguiente desafío será comprobar cómo se comportan los candidatos fuera de las simulaciones y hasta qué punto el marco puede adaptarse a nuevas familias de modelos generativos. Por ahora, CrysVCD plantea una respuesta concreta a una paradoja de la IA aplicada a materiales: generar más diseños no basta si la mayoría debe descartarse cuando ya se consumieron casi todos los recursos.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín