AI está soñando millones de materiales nuevos. ¿Son buenos?

Cuando la firma pionera de inteligencia artificial (IA) Google Deepmind anunció hace casi dos años que había utilizado una técnica de IA de aprendizaje profundo para descubrir 2.2 millones de materiales cristalinos nuevos, parecía anunciar una nueva era emocionante de investigación de materiales acelerados¹.

Compuestas de elementos de la tabla periódica, los materiales en el tesoro incluyeron 52,000 simulaciones de compuestos en capas similares a El grafeno del material maravilloso528 conductores potenciales de iones de litio que podrían usarse para mejorar las baterías recargables, y mucho más.

Pero el esfuerzo, y los similares que siguieron, que involucran a las empresas de tecnología Microsoft y Meta, rápidamente fue criticado por investigadores que dicen que algunos de los compuestos que los sistemas de IA soñaron eran poco originales, inviantes o no aptos para su propósito.

«Encontramos muchas cosas que eran ridículas», dice el científico de materiales Anthony Cheetham de la Universidad de California, Santa Bárbara (UCSB), después de mirar la lista de cristales hipotéticos de Deepmind. Él y su colega de UCSB, Ram Seshadri, señalan que más de 18,000 de los compuestos predichos por el proyecto incluyen elementos radiactivos extremadamente escasos como Promethium y Protactinium, que dudan que podrían ser materiales útiles.². «Una cosa es descubrir un compuesto y algo totalmente diferente para descubrir un nuevo material funcional», dice Cheetham.

El trabajo que involucra meta sugirió más de 100 materiales que podrían capturar dióxido de carbono directamente del aire y ayudar a reducir el calentamiento global³. Sin embargo, estos provocaron críticas similares. El químico computacional Berend Smit en el Swiss Federal Institute of Technology en Lausana (EPFL) dice que los candidatos no son viables para ese propósito. Sugiere que la herramienta AI utilizada en el trabajo parecía tan emocionante que los autores estaban «un poco cegados a la realidad».

Entonces, la IA realmente revolucionará el descubrimiento de materiales, o se está ahogando en su propia exageración? Desde las críticas iniciales, los científicos de materiales han examinado los resultados de estas empresas con más detalle para evaluar el verdadero potencial de la IA. Los equipos detrás del trabajo han respondido, en algunos casos atenúan los reclamos iniciales o proponen soluciones. Muchos investigadores concluyen que la IA tiene una gran promesa en la ciencia de los materiales, pero que una mayor colaboración con los químicos experimentales, y cierta humildad sobre las limitaciones actuales de estos sistemas, será crucial para realizar todo su potencial.

Bolas de cristal

Desde la mezcla de cobre y estaño que provocó la Edad de Bronce hasta la invención del acero inoxidable, el descubrimiento de materiales ha impulsado la innovación a lo largo de la historia humana. En la última década, el uso de IA en la ciencia de los materiales ha despegado (ver 'Crecimiento material de AI'). Muchos de los últimos esfuerzos, que utilizan AI para acelerar el descubrimiento de materiales, se centran en sólidos inorgánicos cristalinos, un subconjunto de compuestos químicos que son componentes esenciales de innumerables tecnologías, desde semiconductores hasta láseres.

Las propiedades de los sólidos inorgánicos cristalinos están determinadas no solo por los átomos que contienen, sino también por cómo se organizan esos átomos en los patrones de repetición. Entonces, cuando los científicos planean hacer nuevos cristales inorgánicos, no solo presentan nuevas combinaciones de átomos, a menudo intentan predecir qué estructura podrían adoptar esos átomos.

Antes del advenimiento de la IA, los investigadores utilizaron métodos computacionales más convencionales para hacerlo. Uno de los métodos más poderosos es la teoría funcional de densidad (DFT), una forma de aproximar las matemáticas complicadas que describe cómo se comportan los electrones en los materiales. Para un compuesto inorgánico hipotético, esto puede revelar qué estructura es la más estable y, por lo tanto, con más probabilidades de existir, así como las propiedades del compuesto.

Los científicos han usado DFT para predecir nuevos materiales que tienen propiedades espectaculares y que se hicieron en el laboratorio, incluidos imanes súper fuertes y 'superconductores' que transmiten electricidad sin resistencia pero, a diferencia de la mayoría de los materiales superconductores, no requieren temperaturas extremadamente frías⁴. El proyecto de materiales, en el Laboratorio Nacional de Lawrence Berkeley (LBNL) en California, ha registrado estructuras calculadas por DFT para aproximadamente 200,000 cristales en una base de datos de acceso abierto⁵.

Pero DFT tiene hambre computacionalmente. La mayoría de los laboratorios académicos pueden acceder a una potencia informática suficiente para ejecutar cálculos de DFT en un puñado de compuestos, pero encuestar a millones a la vez sería inofensivamente costoso.

Google AI y los robots unen fuerzas para construir nuevos materiales

Ahí es donde entran los esfuerzos de AI de alto perfil. En el caso de DeepMind, en lugar de depender únicamente de los cálculos intensivos de DFT, la firma de Londres alimentó un algoritmo de aprendizaje automático los resultados de los cálculos que ya habían sido registrados por, por ejemplo, el proyecto de materiales. El algoritmo, que el equipo llamó Redes gráficas para exploración de materiales o gnomoaprendió de estos ejemplos cómo predecir la estabilidad de las estructuras cristalinas generadas al azar, e hizo mucho más rápido que el DFT convencional. Luego, el sistema verificó la más prometedora de estas predicciones usando DFT y volvió a ver los resultados en GNOME para mejorar su rendimiento. Eso finalmente permitió a Gnome soñar en una enorme colección de compuestos que espera ser estable¹.

«Estoy completamente convencido de que si no está utilizando este tipo de método en los próximos años, estará atrás», dice el científico de materiales Kristin Persson en LBNL y la Universidad de California, Berkeley, quien es el director del Proyecto de Materiales.

En otro esfuerzo que involucra a los investigadores de DeepMind, la IA también se ha utilizado para ayudar a sintetizar materiales. Persson coescribió un artículo⁶publicado junto con los resultados de Gnome, que describieron el robótico 'A-Lab'. El sistema fue alimentado a decenas de miles de artículos publicados que describen cómo hacer varios compuestos inorgánicos. Aprendió a idear recetas para sintetizar una lista de compuestos objetivo que no se habían hecho antes, pero para las que DFT había predicho estructuras y registradas por el proyecto de materiales. A-Lab luego desplegó robots físicos para hacer esos compuestos y analizar los productos para verificar que coincidan con los objetivos, ajustando las recetas si es necesario.

Poco después de que los equipos de Gnome y A-Lab publicaran sus documentos, Microsoft dio a conocer su propia herramienta de IA para el descubrimiento de materiales⁷. Al igual que Gnome, MatterGen es un modelo de aprendizaje automático que ha sido entrenado para generar estructuras de cristal estables. Pero MatterGen fue diseñado para ser más dirigido que el gnomo: es capaz de sugerir materiales hipotéticos que tengan propiedades específicas. «Puede generar directamente los cristales que satisfacen sus criterios de diseño», dice Tian Xie, investigador de Microsoft Research AI for Science en Cambridge, Reino Unido, que dirigió el esfuerzo. «Esto es mucho más eficiente que usar la fuerza bruta para crear millones de candidatos».

El proyecto que involucra a Meta es aún más dirigido. El equipo fundamental de investigación de IA de la firma trabajó con científicos en el Instituto de Tecnología de Georgia, Atlanta, para identificar materiales porosos llamados Marcos de metal -orgánicos (MOF) que podría chupar eficientemente co₂ directamente del aire.

Los investigadores usaron DFT para calcular la capacidad de más de 8,000 MOF experimentalmente informados para unirse a CO₂. Luego, usaron esos resultados para entrenar un modelo de IA para realizar la misma tarea, y demostraron que ofrecía una precisión similar y era mucho más rápido que DFT. En un periódico de mayo de 2024³los investigadores predijeron que más de 100 de estos MOF contenían regiones que se unirían fuertemente a CO₂ofreciendo pruebas de principio de que las herramientas de IA podrían acelerar el desarrollo de MOF para la captura de aire directo.

Fuera de servicio

Pero todas estas incursiones han generado controversia. Cuando el químico de estado sólido Robert Palgrave en University College London miró los resultados de A-Lab, rápidamente concluyó que el proyecto había caracterizado erróneamente Algunos de los 41 compuestos inorgánicos que afirmó haber producido, y en algunos casos habían sintetizado materiales que ya se habían hecho. Desde entonces, Palgrave ha producido una crítica más extensa del trabajo de A-Lab, en colaboración con Leslie Schoop en la Universidad de Princeton en Nueva Jersey y otros, en la que detallan las débiles en la caracterización de los productos y concluyen que no se descubrieron nuevos materiales en el documento A-Lab.⁸.

También identifican un problema más fundamental, enraizado en las limitaciones de la técnica DFT que suministró a A-Lab sus estructuras objetivo. Palgrave señala que el método DFT generalmente predice estructuras de cristal altamente ordenadas, lo que podría ser estable solo si las temperaturas podrían sumergirse en el límite de cero absoluto (–273 ° C). Pero en realidad, los arreglos de los átomos en los materiales cristalinos a menudo son mucho más desordenados. Aunque muchas de las estructuras DFT ordenadas que se le dijo a A-Lab que hicieran parecían nuevas, de hecho, se habían hecho antes como estructuras desordenadas, y eran esas formas conocidas y desordenadas las que A-Lab finalmente hizo, dice Palgrave.

Gerbrand Ceder, quien está en LBNL y en la Universidad de California, Berkeley, y dirigió el trabajo A-Lab, no está de acuerdo. Él dice que un reanálisis detallado de los investigadores mostró que las caracterizaciones de A-Lab eran confiables. «A-Lab hizo los compuestos que afirmó que hizo, y para los cuales no tenía información de síntesis», dice. «Hacer versiones desordenadas de los compuestos ordenados predichos generalmente se caracteriza como un éxito y el estándar para comparar las predicciones y experimentos de teoría», agrega.

El problema del trastorno también afecta a los sustitutos de DFT basados ​​en la IA como Gnome, dice Johannes Margraf, químico computacional de la Universidad de Bayreuth en Alemania. Junto con colegas, entrenó un sistema de aprendizaje automático en estructuras de cristal que se han determinado mediante medición experimental, en lugar de DFT. El modelo aprendió a pronosticar si es probable que un compuesto esté desordenado debido a elementos similares de intercambio de lugares en un cristal.⁹. Sugirió que de aproximadamente 380,000 compuestos estables que el equipo de DeepMind destacó como objetivos prometedores para la síntesis, todos con estructuras de cristal aparentemente ordenadas, 80-84% estarían desordenados en la vida real.

Este hallazgo implica que es poco probable que muchas de las sugerencias de GNOME se realicen en el laboratorio, al menos en sus formas ordenadas, y podrían tener diferentes propiedades de las predichas. Los modelos de IA entrenados en datos DFT también pueden perder propiedades potencialmente útiles que surgen del trastorno de una estructura, que los modelos no tienen en cuenta, dice Margraf. «Si ignora la presencia de desorden, puede tener falsos negativos y falsos positivos», dice. «No es un pequeño detalle».

Robot Chemist Sparks Row con afirmación de que creó nuevos materiales

Científico de materiales Ekin Dogus Cubuk, uno de los principales autores del papel de gnomo¹ quien ahora ha dejado DeepMind para fundar los laboratorios periódicos de la compañía inicial en California, acepta que muchas de las estructuras ordenadas predichas por GNOME probablemente resultarán desordenadas. Él dice que el objetivo principal de la herramienta es proporcionar una señal hacia los compuestos prometedores que requieren una mayor investigación. «No es que alguien pueda simular un material y se convierte en un producto increíble».

Algunos, sin embargo, fueron irritados por la sugerencia de Deepmind en su artículo.¹ que habían logrado «una expansión de orden de magnitud en materiales estables conocidos por la humanidad», que sonaba demasiado bueno para ser verdad. «Era una especie de trapo rojo para un toro», dice Cheetham. «Nuestros hackles fueron criados».

El ingeniero de aprendizaje automático Jonathan Godwin, que trabajó para DeepMind antes de irse en 2022 para encontrar su propia firma de materiales AI, Orbital Materials en Londres, está de acuerdo: «Es bastante inverosímil decir que 2.2 millones de cosas que no ha sintetizado son materiales nuevos».

Un portavoz de DeepMind señala que más de 700 de los compuestos predijeron que GNOME predijo independientemente fueron hechos de forma independiente por otros investigadores, y que las estructuras de GNOME ayudaron a guiar la síntesis de varios compuestos basados ​​en cesio previamente desconocidos que podrían ser de interés para aplicaciones como optoelectrónica y almacenamiento de energía.¹⁰.

En realidad no es nuevo