Por Canuto  

Investigadores del MIT desarrollaron CrysVCD, un marco que incorpora reglas químicas antes de generar materiales con IA. El método mejoró la proporción de diseños estables y podría reducir el costo computacional asociado con descartar opciones inviables, especialmente en aplicaciones para semiconductores y refrigeración de centros de datos.
***

  • CrysVCD combina un modelo de lenguaje que formula compuestos válidos con un modelo de difusión que genera sus estructuras cristalinas.
  • El enfoque alcanzó 68% de estabilidad fonónica y 85% de estabilidad termodinámica en generaciones computacionales ajustadas.
  • La herramienta también produjo candidatos con alta conductividad térmica y propiedades dieléctricas relevantes para chips y centros de datos.

Los modelos de inteligencia artificial pueden producir millones de diseños de materiales en pocos minutos, pero esa velocidad todavía no se traduce de forma automática en innovaciones útiles para la industria. El problema central es que muchas estructuras generadas resultan químicamente inestables y deben descartarse mediante cálculos posteriores, un proceso que consume gran parte del tiempo y del presupuesto computacional. Investigadores del Instituto Tecnológico de Massachusetts desarrollaron ahora un marco llamado CrysVCD, diseñado para incorporar restricciones químicas desde el comienzo de la generación.

El método busca cerrar la brecha entre imaginar un material y demostrar que puede existir de manera estable en el mundo real. Según la descripción del trabajo, CrysVCD incorpora reglas relacionadas con los electrones de valencia para mejorar la generación de materiales cristalinos, mientras conserva propiedades específicas solicitadas por los investigadores. En sus pruebas, el sistema alcanzó mayores niveles de estabilidad y también produjo candidatos orientados a necesidades concretas de la industria tecnológica.

El cuello de botella después de la generación

El diseño computacional de materiales no es una disciplina nueva, pero los avances recientes en inteligencia artificial aumentaron la expectativa de encontrar compuestos con propiedades previamente definidas. Algunos sistemas comienzan con un objetivo, como una determinada conductividad o respuesta eléctrica, y trabajan hacia atrás para proponer una fórmula y una estructura capaces de alcanzarlo. Sin embargo, los modelos de difusión y los modelos de lenguaje todavía tienen dificultades para respetar de forma confiable los principios químicos que determinan si un material será viable.

La estrategia habitual consiste en generar grandes cantidades de estructuras y filtrarlas después con simulaciones de estabilidad. Mouyang Cheng, investigador del MIT y uno de los autores del trabajo, señaló que validar las propuestas, especialmente mediante pruebas de estabilidad, puede representar cerca de 90% del costo computacional necesario para obtener materiales utilizables. Esa etapa puede extenderse durante semanas o meses, según la cantidad de diseños y la complejidad de los cálculos requeridos.

El costo crea una barrera especialmente importante para laboratorios pequeños y empresas que no disponen de presupuestos computacionales comparables con los de las grandes corporaciones. Heather Kulik, profesora de química e ingeniería química del MIT, sostuvo que generar primero y seleccionar después resulta ineficiente porque obliga a invertir recursos en opciones que ya incumplen principios básicos. La propuesta de CrysVCD consiste en trasladar parte de ese filtro al inicio, para elevar la proporción de diseños que merecen una evaluación profunda.

La idea no elimina la necesidad de verificar los materiales mediante simulaciones rigurosas, pero pretende que esas pruebas se concentren en candidatos más prometedores. De esa manera, la inteligencia artificial deja de funcionar únicamente como una máquina de producir posibilidades y adquiere una capa de orientación química previa. Para el descubrimiento de materiales, el cambio puede ser decisivo porque reduce el volumen de propuestas inviables antes de que entren en las fases más costosas.

Cómo funciona CrysVCD

El marco del MIT combina dos tipos de modelos en una secuencia de generación. Primero, un modelo de lenguaje produce fórmulas químicamente válidas aplicando restricciones vinculadas con las capas de valencia de los átomos; después, un modelo de difusión utiliza esas fórmulas para construir la estructura atómica correspondiente de un material cristalino. El orden permite que las reglas químicas intervengan antes de que el sistema invierta recursos en imaginar la geometría completa.

Weiliang Luo, investigador doctoral del MIT y coautor del estudio, comparó el proceso tradicional con una generación de aproximadamente mil pasos, mientras que la intervención inicial del modelo de lenguaje puede asemejarse a cinco pasos de filtrado. La comparación no significa que todos los cálculos desaparezcan, sino que una parte importante de las propuestas defectuosas queda excluida antes de la generación estructural. Hao Tang, también coautor, indicó que el marco puede utilizarse con distintos modelos dedicados a generar materiales.

Mingda Li, profesor asociado de ingeniería nuclear del MIT, describió CrysVCD como una pieza que puede conectarse a distintos generadores, incluidos modelos actuales y futuros. Su analogía fue la de un reproductor de DVD compatible con diferentes discos: el sistema no reemplaza necesariamente al modelo generativo, sino que añade una capa capaz de mejorar la estabilidad de sus resultados. Esa arquitectura podría facilitar la adopción del método a medida que aparezcan nuevos modelos de diseño.

El trabajo, titulado Enhancing Materials Discovery with Valence Constrained Design in Generative Modeling, aparece asociado a investigadores del MIT y está disponible en una versión de arXiv fechada en 2025. Una ficha del grupo de investigación del MIT lo presenta como un marco modular que integra reglas químicas directamente en el proceso generativo. La evidencia disponible no permite confirmar que la publicación en Nature Computational Science ocurriera el 26 de agosto de 2026, por lo que esa fecha y atribución se omiten.

Resultados de estabilidad y propiedades objetivo

Cuando el sistema se ajustó con métricas de estabilidad, CrysVCD alcanzó 68% de estabilidad fonónica y 85% de estabilidad termodinámica, según el resumen disponible del estudio. La estabilidad fonónica evalúa aspectos relacionados con las vibraciones de la red cristalina, mientras que la estabilidad termodinámica indica si una estructura resulta favorable frente a posibles descomposiciones o transformaciones. Estas cifras corresponden a generaciones computacionales y no equivalen a una validación experimental.

Estas cifras son relevantes porque el desafío no consiste solamente en encontrar un material que cumpla una regla química, sino en combinar estabilidad con rendimiento. El estudio presenta CrysVCD como un marco físico-químicamente restringido para mejorar la confiabilidad y el rendimiento del descubrimiento generativo. La herramienta intenta elevar la intersección entre estabilidad y propiedades objetivo, en lugar de optimizar una propiedad y dejar la estabilidad para una etapa posterior.

El equipo aplicó la herramienta a la búsqueda de materiales con alta conductividad térmica y con facilidad para polarizarse bajo un campo eléctrico. La primera propiedad interesa directamente a la industria de semiconductores y a los centros de datos, mientras que la segunda se relaciona con materiales que pueden responder de manera útil en dispositivos electrónicos. El objetivo fue mostrar que las restricciones químicas pueden convivir con metas de desempeño concretas, no demostrar todavía una aplicación comercial.

La conductividad térmica resulta relevante para retirar el calor de los centros de datos con mayor eficiencia. No obstante, la evidencia disponible no confirma la cifra del 30% de la energía del sector atribuida a refrigeración incluida en el borrador. CrysVCD podría servir como apoyo computacional para explorar alternativas, aunque los candidatos todavía requerirían validación adicional antes de cualquier uso industrial.

Alcance y límites del enfoque

CrysVCD no está diseñado para todos los tipos de materiales y funciona mejor con sólidos que poseen arreglos internos altamente ordenados. Esa limitación apunta principalmente a estructuras cristalinas, donde las reglas de valencia y la organización atómica ofrecen un marco adecuado para restringir la generación. Por tanto, los resultados no deben interpretarse como una solución universal para cada material posible ni como una sustitución inmediata de los experimentos de laboratorio.

Aun con ese alcance específico, el enfoque puede facilitar la creación de materiales cristalinos con una amplia variedad de propiedades. La ventaja está en que la búsqueda puede comenzar con una fórmula químicamente coherente y avanzar hacia estructuras que persigan un desempeño determinado. Esto puede reducir la posibilidad de dedicar semanas de simulación a diseños que fallan por inconsistencias básicas antes de ser evaluados por sus características tecnológicas.

La propuesta también tiene una dimensión de acceso, porque los grupos académicos pequeños suelen enfrentar restricciones de infraestructura frente a los grandes programas de descubrimiento. Mingda Li sostuvo que la herramienta podría beneficiar tanto a proyectos capaces de generar cientos de millones de materiales como a equipos reducidos que trabajan en aplicaciones muy concretas. El ahorro no provendría solamente de generar menos diseños, sino de aumentar la calidad promedio de las propuestas desde la primera etapa.

El proyecto recibió apoyo parcial del Departamento de Energía de Estados Unidos, una beca de ingeniería MathWorks, la Fundación Nacional de Ciencias y la Agencia de Reducción de Amenazas de Defensa de Estados Unidos. Sus resultados muestran una vía para integrar conocimiento químico explícito dentro de sistemas generativos, en lugar de confiar exclusivamente en filtros posteriores. El siguiente desafío será comprobar en laboratorio cuáles de los candidatos computacionales conservan sus propiedades y estabilidad cuando se fabrican bajo condiciones reales.

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

Artículos Relacionados