Inteligencia artificial
La IA descubre nuevos materiales para baterías de próxima generación
Litio frente al resto
Las baterías de iones de litio han dominado hasta ahora el panorama de la electrificación, en gran parte debido a las propiedades eléctricas únicas de los átomos de litio. En pocas palabras, el litio, al ser el tercer elemento más ligero de la tabla periódica, es el más potente a la hora de transportar cargas con un solo electrón.
Fuente: Medium
Sin embargo, el litio es caro, lo que hace que las químicas de baterías alternativas sean potencialmente atractivas económicamente. Notablemente, las baterías de iones de sodio han ganado terreno por esta misma razón.
Parece que otro diseño podría tener más potencial del que se pensaba: baterías de iones multivalentes. Utilizan iones metálicos que pueden transportar más de un electrón a la vez, y podrían ser más rentables que las baterías de iones de litio.
El reciente avance se logró mediante el uso de IA para probar millones de combinaciones de materiales para baterías. Este descubrimiento fue realizado por investigadores del New Jersey Institute of Technology (NJIT) y del Rensselaer Polytechnic Institute (RPI) (EE. UU.). Publicaron sus resultados en Cell Reports Physical Science1, bajo el título “Generative AI for discovering porous oxide materials for next-generation energy storage”.
Los diversos tipos de baterías iónicas
Si las baterías de iones de litio se impusieron en la electrónica pequeña y en los primeros diseños de vehículos eléctricos gracias a su densidad energética, muchos otros iones metálicos pueden usarse bajo el mismo principio.
Como se comentó, el ion sodio es actualmente una alternativa popular, cada vez más fabricada en masa para modelos de vehículos eléctricos económicos.
Otra opción es usar magnesio, calcio, aluminio o zinc, todos los cuales son iones multivalentes. Esto significa que transportan dos o incluso tres cargas positivas.
Sin embargo, la mayor carga también conlleva tamaños mayores. Ambas especificaciones atómicas más grandes hacen que los iones multivalentes sean difíciles de acomodar eficientemente en los materiales de la batería, reduciendo la densidad de la batería demasiado como para ser comercialmente viable.
Al menos, esto era cierto con los materiales de batería convencionales desarrollados para iones de litio o sodio. Pero están lejos de ser los únicos materiales de batería posibles. Muchas otras estructuras cristalinas podrían construirse para albergar los iones cuyo movimiento transporta las cargas eléctricas.
“Uno de los mayores obstáculos no era la falta de químicas de baterías prometedoras — era la pura imposibilidad de probar millones de combinaciones de materiales,”
Profesor Dibakar Datta – New Jersey Institute of Technology (NJIT)
IA asistiendo la investigación
Un asistente poderoso
Las mentes humanas no son las mejores para manejar conjuntos de datos donde los números llegan a millones. Pero las IA son excelentes en ello.
Es una tendencia creciente entre los investigadores, especialmente en ciencias de materiales o biotecnología, usar la tecnología de IA para ayudar a identificar las ideas más prometedoras, antes de analizarlas y probarlas de forma más rigurosa.
“Recurrimos a la IA generativa como una forma rápida y sistemática de examinar ese vasto panorama y detectar las pocas estructuras que realmente podrían hacer prácticas las baterías multivalentes.”
Profesor Dibakar Datta – New Jersey Institute of Technology (NJIT)
Anteriormente, un modelo computacional basado únicamente en la física no habría podido manejar el cálculo extremadamente complejo necesario para modelar un nuevo tipo de estructura cristalina.
Pero los nuevos tipos de IA, basados en aprendizaje automático y redes neuronales, son más capaces de “adivinar” la propiedad general de un material sin un cálculo matemático formal de la física subyacente.
Fuente: Cell
Los investigadores desarrollaron un sistema que depende simultáneamente de dos tipos diferentes de IA, una experta en cristales y una LLM (Modelo de Lenguaje Extenso), la misma base tecnológica detrás de ChatGPT.
Fuente: Cell
Autoencoder Variacional de Difusión Cristalina (CDVAE)
El modelo CDVAE generó 10.000 estructuras, que fueron sometidas a una serie de pasos precisos de cribado y validación para asegurar que cumplían con los estándares necesarios.
Por ejemplo, verificó que la distancia entre pares de átomos fuera lo suficientemente grande, o la neutralidad de carga del sistema.
Este método generó 42 estructuras potencialmente utilizables para materiales de baterías.
De estas, 21 estructuras coincidían con entradas existentes en la base de datos pero ofrecían nuevas configuraciones con diferencias en la estequiometría, parámetros de red o grupos espaciales. Las 21 estructuras restantes eran completamente novedosas.
Fuente: Cell
Así creó tanto nuevas versiones de materiales existentes que antes eran desconocidas como materiales de batería potencialmente totalmente nuevos.
LLM
Los investigadores luego usaron Llama-3.1-8B de Meta (FB ), especialmente calibrado y adaptado para generar estructuras cristalinas.
Fuente: Cell
Esto generó más de 10.000 estructuras cristalinas, de las cuales 1.087 permanecieron después de verificar su integridad estructural. Usando los mismos filtros que con CDVAE, se obtuvieron 13 candidatos potenciales, de los cuales se eligieron las 5 estructuras más estables.
Fuente: Cell
Swipe to scroll →
| Modelo | Estructuras iniciales | Candidatos después del filtro | Materiales estables finales |
|---|---|---|---|
| CDVAE | 10,000 | 42 | 21 variantes + 21 novedosas |
| LLM (Llama-3.1-8B) | 10,000+ | 13 | 5 más estables elegidas |
Desafiando los hallazgos de la IA
Los investigadores usaron un método de prueba matemática llamado “relajación DFT”, calculando la energía libre del material (vinculada a la estabilidad), para verificar la calidad del material encontrado.
Rápidamente se observa que los materiales cristalinos generados por LLM fueron generalmente mucho mejores y más estables que los generados con CDVAE.
Fuente: Cell
“Nuestras herramientas de IA aceleraron drásticamente el proceso de descubrimiento, lo que reveló cinco estructuras de óxido de metal de transición poroso totalmente nuevas que muestran un potencial notable,”
Profesor Dibakar Datta – New Jersey Institute of Technology (NJIT)
¿Puede fabricarse?
El equipo validó sus estructuras generadas por IA mediante simulaciones mecánico-cuánticas y pruebas de estabilidad, confirmando que los materiales pueden, de hecho, sintetizarse experimentalmente y tienen un gran potencial para aplicaciones del mundo real.
“Estos materiales poseen canales grandes y abiertos, ideales para mover rápidamente y de forma segura estos voluminosos iones multivalentes, un avance crítico para baterías de próxima generación.”
Profesor Dibakar Datta – New Jersey Institute of Technology (NJIT)
El siguiente paso será colaborar con laboratorios experimentales para sintetizar y probar los materiales conceptualizados por IA.
Podría convertir a las baterías multivalentes en el próximo paso de la tecnología de baterías. Hasta ahora, la falta de un material adecuado para aceptar los átomos más grandes ha bloqueado el desarrollo de esta opción. Al usar mejores materiales para almacenar magnesio, aluminio u otros iones grandes, la capacidad de transporte multi‑electrón de estos átomos podría, tal vez algún día, superar incluso la poderosa, pero de un solo electrón, capacidad de transporte del litio.
Invertir en ciencia de materiales & innovación de IA
Meta: Ciencia de materiales impulsada por IA
Hoy, Meta sigue siendo mayormente conocida por sus plataformas de redes sociales Facebook e Instagram, así como por el chat de WhatsApp. También está presente en el espacio de realidad virtual (VR) con sus cascos VR y su algo fallido “Metaverso”.
Sin embargo, lo importante es que Meta es una empresa de IA con enormes inversiones en infraestructura para lograrlo.
“El primer centro de datos de varios gigavatios, llamado Prometheus, se espera que entre en funcionamiento en 2026, mientras que otro, llamado Hyperion, podrá escalar hasta 5 gigavatios en los próximos años.
“También estamos construyendo varios clústeres titán más. Uno de ellos cubre una parte significativa del territorio de Manhattan.
La tecnología LLM parece, a primera vista, ser mayormente útil para tareas de “hablar”, como chatbots, búsqueda en línea mejorada, educación y otras actividades centradas en el ser humano.
(META )
Pero esta investigación muestra que la capacidad de los LLM para aprender lenguaje puede aplicarse a otras tareas intensivas en datos, como aprender a “hablar” estructuras cristalinas. Lo mismo puede decirse de los códigos genéticos, por ejemplo.
Esto significa que el progreso en los algoritmos LLM probablemente inaugurará una era dorada de descubrimientos totalmente nuevos en la creación de nuevos materiales para baterías, materiales avanzados, generación de energía, etc., así como nuevos tipos de proteínas y materiales de ADN/ARN que pueden convertirse en medicina, herramientas de biomanufactura, etc.
En ese contexto, esto implica que empresas como Meta y sus modelos LLM Lama no solo están construyendo posibles reemplazos tecnológicos rentables para herramientas existentes, sino que también podrían convertirse en una potencia de propiedad intelectual en el mundo físico.
En ese contexto, podría recordarse que el negocio tecnológico original de empresas como Meta, o también Google (GOOGL ) o Microsoft (MSFT ), fue solo un trampolín antes de convertirlas en gigantes impulsados por IA y propiedad intelectual que cambian el mundo con muchas tecnologías nuevas, incluidas en energía renovable y ciencias de materiales.
Últimas noticias y desarrollos de acciones de Meta (META)
Estudio Referenciado
1. Joy Datta, Amruth Nadimpally, Nikhil Koratkar, Dibakar Datta. Generative AI for discovering porous oxide materials for next-generation energy storage. Cell Reports Physical Science, Volumen 6, Número 7, 102665. 16 de julio de 2025. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4
