Inteligencia Artificial
Cinco avances de IA que transforman el descubrimiento de materiales hoy
La inteligencia artificial (IA) continúa transformando el mundo y reformulando el futuro de la humanidad.
La tecnología está impulsando cambios en casi todos los sectores al realizar tareas que normalmente requieren inteligencia humana. Los sistemas de IA utilizan grandes cantidades de datos para identificar patrones y tomar decisiones.
De esta manera, la IA es capaz de simular ciertos niveles de razonamiento y procesos cognitivos similares a los humanos.
Según el Informe sobre el comercio mundialLas ganancias de productividad y los beneficios en costos que ofrece la IA pueden aumentar el PIB mundial entre un 12 y un 13 % para 2040.
Al reducir su brecha de infraestructura digital con las economías de altos ingresos en un 50% y adoptar la IA de manera más amplia, las economías de ingresos bajos y medios pueden ver un aumento de hasta un 15% incrementar en sus ingresos.
Además de ayudar a las naciones a mejorar su productividad, comercio y posición económica, la IA puede ayudar a la sociedad impulsando innovaciones en todos los sectores. Una de las formas en que esta tecnología lo hace actualmente es a través del descubrimiento de materiales.
La promesa de la IA en el descubrimiento de materiales
El descubrimiento de materiales siempre ha sido clave para la innovación. Hace muchos siglos, la mezcla del cobre y el estaño dieron lugar a la Edad del Bronce, cuando se utilizaron herramientas y armas más fuertes. transformado comercio y sociedades.
Luego llegó la Edad del Hierro, cuando el dominio del hierro transformó las economías. En el siglo XIX, el acero se generalizó. Una aleación de hierro y carbono, el acero fue la base de los ferrocarriles, los rascacielos, los barcos y la maquinaria, impulsando la Revolución Industrial y la expansión global.
A finales del siglo XVIII, el La era del silicio Transformó el mundo con el descubrimiento y perfeccionamiento de los semiconductores, la base de la electrónica moderna. Nos encontramos en la era de los materiales avanzados, donde el grafeno, los nanotubos de carbono y los materiales cuánticos abren las puertas a energías más limpias, aeronaves más ligeras y una computación más rápida.
La llegada de la IA y el aprendizaje automático (ML) está contribuyendo a la innovación en materiales y, por extensión, en varias industrias al acelerar significativamente el proceso de descubrimiento, diseño y operación de materiales.temporización.
Para ello, la IA utiliza algoritmos y modelos para examinar grandes bases de datos de candidatos para necesidades de aplicación específicas. Aquí, modelos de aprendizaje profundo como Las redes neuronales gráficas (GNN) y las redes neuronales recurrentes (RNN) son cruciales para analizar conjuntos de datos complejos. que son fundada en materiacomo ciencia.
También pueden identificar materiales existentes con las propiedades deseadas a partir de estas bases de datos e incluso predecir las propiedades de los materiales basándose en su composición y estructura.
Con la ayuda de la IA, el campo de la ciencia de los materiales Puede ir más allá de los métodos tradicionales de prueba y error., que requieren mucho tiempo y son costosos.
Además, los modelos de IA pueden generar nuevas estructuras de materiales adaptadas a requisitos específicos. Cuando se integra con plataformas experimentales automatizadas, la IA puede acelerar el largo proceso desde el descubrimiento de materiales hasta la producción.
A pesar de estos beneficios, existen desafíos permanecer en términos de falta de calidad y en los detalles datos para determinados materiales. Consolidación Exitosa síntesis de nuevos fundada y los materiales diseñados en el laboratorio es otro gran reto.
Como científico de materiales Anthony Cheetham de la UCSB comentó1 en la naturaleza después examinar la lista de 2.2 millones de cristales hipotéticos encontrados por GNoME, una herramienta de inteligencia artificial de DeepMind, una subsidiaria de Alphabet (Google), “Una cosa es descubrir un compuesto y otra cosa totalmente distinta es descubrir un nuevo material funcional”.
Además de señalar la impracticabilidad de muchos compuestos predichos por IA, Cheetham dijo:
“Encontramos muchas cosas ridículas”.
Este muestra la brecha entre la predicción y la realización práctica. Lo que esta brecha requiere es la combinación de IA con experiencia humana y ciencia experimental.
Aun así, la promesa de la IA de revolucionar la ciencia de los materiales es innegable. Dada su capacidad para acelerar el desarrollo de materiales para la energía, la salud, la automoción, la industria aeroespacial y otras aplicaciones cruciales, su impacto es demasiado grande como para ignorarlo.
Entonces vamos Eche un vistazo a algunos de los ejemplos más destacados de la aplicación de la IA en materiales Ciencia que muestra su potencial para ampliar los límites del descubrimiento y la innovación de materiales.
Desliza para desplazarte →
| Dominio | Avance en IA (saltar a la sección) | Resultado en el mundo real |
|---|---|---|
| Células solares de perovskita | Procesamiento guiado por ML y diseño inverso |
Celdas al aire libre escaladas; descubrimiento HTM; clase de eficiencia de ~26.2 % |
| Electrocatalizadores de hidrógeno | Búsqueda de composición MPEA diseñada por IA |
Sobrepotenciales ultrabajos (HER/OER), estabilidad robusta |
| Materiales superduros | ML + búsqueda evolutiva de las fases B–C–N |
Fases estables previstas con dureza >40 GPa |
| Dieléctricos poliméricos | Descubrimiento de mezclas asistido por IA y detección de HT |
Hasta 11× densidad de energía a 200 °C (8.3 J cc⁻¹) |
| Electrolitos de estado sólido | Cribado de candidatos inorgánicos mediante IA/HPC |
Conductores nuevos (por ejemplo, N2116, Li8B10S19) |
1. Células solares de perovskita: materiales y procesamiento optimizados por IA
Una de las soluciones más prometedoras para lograr La energía sostenible es la energía solar y su adopción es rápidamente creciente. En 2024, el mundo instaló un récord de ~600 GW de energía solar, creciente 33% desde 2023. A finales de la década, esto se espera a alcanzar ~1 TW por año.
Esta creciente demanda de energía solar crea la necesidad de materiales más eficientes, versátiles y rentables para las células solares.
La perovskita es uno de esos materiales que ofrece una estructura cristalina única. El mineral natural ahora se puede recrear Sintéticamente. Mediante la mezcla de elementos orgánicos e inorgánicos, los científicos crean perovskitas sintéticas que presentan notables propiedades de absorción de luz, lo que las hace muy adecuadas para aplicaciones solares.
Además de una alta eficiencia, estos materiales ofrecen los beneficios de flexibilidad y ajustable banda prohibida, pero persisten los problemas de escalabilidad y estabilidad; de ahí la búsqueda de una nueva composicións.
Entonces, los investigadores recurrieron a AI para correlacionar El rendimiento de las células solares de perovskita (PSC) con propiedades materiales y procesos de conversión de energía durante más de una década .. Luego utilizaron la tecnología para optimizar la composición del material, desarrollar estrategias de diseño y predecir el rendimiento.
En 2019, investigadores de la Universidad de Florida Central revisado2 más de 2,000 publicaciones revisadas por pares sobre la perovskita para recolectar más del 200 puntos de datos, que fueron alimentados a El sistema de inteligencia artificial que crearon para get las best Receta para células solares de perovskita (PSC). Ese mismo año, los científicos del MIT desarrollado3 un modelo para acelerar la síntesis y análisis de nuevos compuestos por un factor de diez y fundada Dos nuevas perovskitas sin plomo que merecen una mayor investigación.
En 2022, investigadores del MIT y la Universidad de Stanford reportaron4 tomando la ayuda de IA para ampliar la fabricación avanzada de células solares.
Para ello, se creó un sistema, en desarrollo desde hace varios años, que integra datos de experimentos previos, así como información basada en las observaciones personales de trabajadores experimentados. Esta integración Hizo que los resultados fueran más precisos y condujo a la fabricación de células de perovskita con una eficiencia de conversión de energía del 18.5%.
Este es diferente a la mayoría de los sistemas de aprendizaje automático, que utilizan principalmente datos sin procesar y normalmente no incorporan la experiencia humana. Para incluir información externa en su modelo, utilizaron un factor de probabilidad basado en la optimización bayesiana, lo que les permitió "descubrir tendencias que antes no podíamos ver".
El descubrimiento de la tecnología solar avanzada de perovskita con la ayuda de AI es continuo y ganando velocidad a incrementar Eficiencia del PSC. En uno de esos Estudio5, la eficiencia se incrementó al 26.2% mientras se ahorraban “enormes cantidades de tiempo y recursos”.
2. Electrocatalizadores descubiertos por IA para la producción de hidrógeno
Un sustituto prometedor para los combustibles fósiles no renovables que son responsable para preguntas de tremendo La mayor cantidad de emisiones de gases de efecto invernadero (GEI) es hidrógeno. El elemento más abundante en el universo, el hidrógeno, Ha surgido como una fuente de energía limpia y renovable.
Sin embargo, producción eficiente de hidrógeno Satisfacer su demanda a escala comercial supone un serio desafío. En este sentido, la electrólisis por disociación del agua ofrece una vía prometedora, donde la electrocatálisis desempeña un papel fundamental. Este hace que el desarrollo de electrocatalizadores activos, estables y de bajo costo sea un requisito previo esencial para obtener la producción de hidrógeno electrocatalítico deseada a partir de la división del agua.
Los electrocatalizadores aceleran la producción de hidrógeno mediante bajando la energía para la división del agua by Utilizando metales preciosos costosos como el platino o alternativas más asequibles como níquel, cobalto, grafeno, MXenes y otros.
Además de las propiedades y el costo del material, se elige un catalizador específico en función de si la reacción es ácida, alcalina o si opera a altas temperaturas.
Sin embargo, Su uso es muy costoso y requiere mucho tiempo. lo tradicional prueba y error Método para buscar materiales existentes y nuevos adecuados para mejorar las reacciones, so AI es siendo utilizado6 para superar las limitaciones de los enfoques tradicionales, descubrir nuevos candidatos y mejorar productos conocidos.
Un estudio reciente reportaron7 que su IA filtrada por entropía se entrenó en un conjunto de datos del Departamento de Energía miró a través 16.2 millones de composiciones químicas para identificar Fe12Co28Ni33Mo17Pd5Pt5 como el best Composición para la división del agua. La aleación muestra sobrepotenciales ultrabajos para ambas reacciones electrocatalíticas fundamentales, HER y OER, al tiempo que tiene una estabilidad robusta.
Mientras tanto, hace un par de años, el laboratorio de inteligencia artificial de Google, DeepMind contribuido 380,000 nuevos compuestos para el Proyecto de Materiales, una plataforma que sustenta muchas búsquedas de catalizadores y experimentos autónomos.
La base de datos de acceso abierto fundada en el Laboratorio Berkeley del Departamento de Energía ha sido utilizada por investigadores para confirmar experimentalmente propiedades útiles en nuevos materiales que muestran potencial para su uso en la captura de carbono. y el como fotocatalizadores, termoeléctricos y conductores transparentes.
La base de datos incluye cómo se forman los átomos de un material. están arreglados y el Qué tan estable es. Gnomo fue entrenado utilizando los datos y flujos de trabajo que eran desarrollado por el Proyecto y luego mejorado vía aprendizaje activo.
Utilizando los cálculos de GNoME de Google DeepMind junto con datos del Proyecto de Materiales, los investigadores probaron A-Lab, una instalación en Berkeley Lab donde la IA guía a los robots en la creación de nuevos materiales. El A-Lab tuvo éxito. producido8 41 nuevos compuestos.
3. Materiales superduros: Descubrimiento guiado por aprendizaje automático más allá del diamante
Industrias como la militar, la aeroespacial y la energética exigen materiales superduros, que son sólidos prácticamente incompresibles. Su dureza supera los 40 gigapascales (GPa) en la escala Vickers, y presentan una alta covalencia de enlace y una alta densidad electrónica.
El diamante es el material más duro conocido hasta la fecha, con una dureza de entre 70 y 150 GPa. Esto significa que se necesitaría una presión mayor (70-150 GPa) para dejar una huella en la superficie del diamante. Como resultado, se utiliza en herramientas de corte, abrasivos, recubrimientos resistentes al desgaste y para crear experimentos de alta presión.
Estas piedras preciosas, que son una forma sólida del elemento carbono, con sus átomos dispuestos en una estructura cristalina cúbica de diamante, también son utilizadas por los científicos para encontrar nuevos materiales adecuados. Pero la IA ha cambiado esto.
A lo largo de los años, varios investigadores han fundada9 Nuevas fases superduras, con una la presentación de informes10 BC10N, B4C5N3 y B2C3N a Presentan fases dinámicamente estables con valores de dureza >40 GPa.
En 2020, investigadores de la Universidad de Houston y el Manhattan College utilizado11 un modelo ML para predecir con precisión la dureza de nuevos materiales, así permitiéndoles encontrar apropiado compuestos más fácilmente.
La cantidad de alta presión requerida para hacer cualquier marca en la superficie de un material los hace raros y “la identificación de nuevos materiales es un desafío”. Y esta es exactamente la razón por la que “materiales como el diamante sintético todavía se utilizan “Aunque son difíciles y costosos de producir”, dijo el coautor del artículo, Jakoah Brgoch, profesor asociado de química en la Universidad de Houston.
Un factor que complica este asunto es la dependencia de la carga, lo que significa que la dureza de un material puede variar dependiendo de la cantidad de presión ejercida. Este Esto hace que probar un material sea experimentalmente complejo. Incluso el uso de modelos computacionales es casi imposible, por lo que los investigadores crearon un modelo que supera el desafío prediciendo la dureza Vickers dependiente de la carga basándose únicamente en la composición química del material.
El algoritmo fue comercio en una base de datos que involucró 560 compuestos diferentes que requerida ir a través Cientos de artículos académicos. “Todo buen proyecto de aprendizaje automático comienza con un buen conjunto de datos”, afirmó Brgoch. “El verdadero éxito reside, en gran medida, en el desarrollo de este conjunto de datos”.
Como resultado, encontraron más de 10 nuevas fases estables de borocarburo y, con una precisión del modelo del 97 %, tienen la esperanza de lograr el éxito en el laboratorio.
Sin embargo, la IA no está exenta de limitaciones, como señaló Brgoch: «La idea de usar el aprendizaje automático no es decir: 'Aquí está el siguiente mejor material', sino ayudar a guiar nuestra búsqueda experimental». Lo que hace la tecnología es «decir dónde buscar».
4. Dieléctricos poliméricos: materiales de almacenamiento de energía acelerados por IA
Un componente esencial del almacenamiento de energía moderno son los dieléctricos, que son materiales no conductores como el aire, el vidrio y el plástico.
La elección del material dieléctrico qué es Determina la densidad de energía de los condensadores y dieléctricos de polímeros. son ampliamente utilizados Para almacenamiento de energía porque su bajo costo, flexibilidad mecánica, confiabilidad, rápida velocidad de descarga y facilidad de procesamiento. Pero de nuevo, su baja densidad energética es una problema.
Como resultado, los investigadores continuamente look Mejorar el rendimiento mediante el desarrollo de nuevos dieléctricos poliméricos para aumentar su capacidad de almacenamiento de energía para aplicaciones en sistemas de energía, electrónica y vehículos eléctricos (VE).
La IA ha logrado avances asombrosos en materiales poliméricos. Por ejemplo, hace apenas un par de meses, investigadores del MIT y la Universidad de Duke colaboraron para... Para crear12 polímeros más duraderos mediante la incorporación de moléculas reticulantes sensibles al estrés, que fueron identificados por IA. Los investigadores del MIT también han built13 un sistema que encuentra, mezcla y prueba hasta 700 nuevas mezclas de polímeros blandas al día para aplicaciones como electrolitos de batería, estabilización de proteínas o materiales de administración de fármacos.
El diseño de nuevas mezclas de polímeros presenta el problema de tener un número casi infinito de polímeros posibles con los que empezar., y una vez algunos tienen sido seleccionado mezclar, y luego en Se debe elegir la composición de cada polímero, así como la concentración de polímeros en la mezcla.
“Tener un espacio de diseño tan grande requiere soluciones algorítmicas y flujos de trabajo de mayor rendimiento porque simplemente no se pueden probar todas las combinaciones usando la fuerza bruta”.
– El autor principal del artículo, Connor Coley
Su sistema de inteligencia artificial les proporcionó mezclas óptimas, y la mejor tuvo un rendimiento un 18 % mejor que sus componentes individuales.
Dada la eficiencia con la que la IA proporciona nuevas opciones y mezclas de polímeros, tiene sentido aplicar la tecnología14 identificar mejores dieléctricos poliméricos15.
Un equipo de investigadores hizo precisamente eso y descubierto CRISPR16 dieléctricos con 11 veces la densidad energética de las alternativas comerciales a temperaturas elevadas.
El algoritmo innovador es desarrollado para predecir las propiedades y formulaciones de polímeros antes en realidad creándolos. Para ello, primero definieron requisitos específicos y luego entrenaron los modelos ML en los existentes. propiedad material Datos para predecir los resultados deseados.
Además de la IA, los investigadores emplearon la química de polímeros y la ingeniería molecular establecidas para descubrir un conjunto de dieléctricos en las familias de polinorborneno y poliimida, y muchos de los dieléctricos descubiertos muestran una alta densidad de energía y una alta estabilidad térmica en un amplio rango de temperatura.
Pero Uno en particular exhibió una densidad de energía de 8.3 J cc−1 a 200 °C, que es mucho más mayor que el dieléctrico de polímero disponible comercialmente.
En los inicios de la IA en la ciencia de los materiales, impulsada por la Iniciativa del Genoma de los Materiales de la Casa Blanca hace más de una década, la investigación en este campo se basaba principalmente en la curiosidad. Solo en los últimos años hemos empezado a ver casos de éxito tangibles y reales en el descubrimiento acelerado de polímeros impulsado por la IA —afirmó el coautor Rampi Ramprasad, profesor del Instituto Tecnológico de Georgia—. Estos éxitos están inspirando transformaciones significativas en el panorama de la I+D de materiales industriales.
5. Electrolitos sólidos: IA para baterías más seguras y de mayor densidad
Impulsado por la adopción generalizada de dispositivos portátiles y vehículos eléctricos y la creciente demanda de soluciones de almacenamiento de energía renovable, el mercado mundial de baterías está avanzando rápidamente17. Dado que importante El papel que desempeñan las baterías en el mundo moderno, según los científicos. intentando constantemente Desarrollar baterías más seguras y energéticamente eficientes la tecnología.
Mientras que las baterías de iones de litio son los más utilizados Hoy en día, tienen una vida útil limitada y riesgos de seguridad, lo que son dirigido mediante baterías de estado sólido (SSB).
Estas baterías reemplazan los electrolitos líquidos con electrolitos de estado sólido. para eliminar el riesgo de inflamación a temperaturas elevadas al tiempo que permite una mayor densidad energética y mejora la durabilidad, creando baterías más seguras y potentes.
Pero Estas baterías con electrolitos sólidos enfrentan sus propios desafíos, como Baja conductividad iónica, compatibilidad de interfaz de electrodo, estabilidad mecánica y química y fabricación rentable. Así pues, los investigadores Están explorando materiales que puedan superar estos problemas a través de la IA.
A diferencia de otros campos que hemos tratado hoy, las baterías son una de las áreas más candentes donde la aplicación de IA18 El sector ha experimentado un auge gracias a la participación de importantes fabricantes de automóviles y startups que invierten en I+D de baterías de estado sólido. Además del riesgo para la seguridad, el sector también ha acumulado grandes bases de datos, lo suficientemente completas como para entrenar modelos de aprendizaje automático.
Incluso los gobiernos han incluido las bebidas azucaradas como una prioridad estratégica para asegurar las cadenas de suministro nacionales y alcanzar los objetivos nacionales en materia de energía y clima.
Por lo tanto, hay varios casos en los que la IA ha... ayudado19 Investigadores y empresas descubren nuevos electrolitos sólidos.
El año pasado, los investigadores de Microsoft usado La IA y las supercomputadoras analizarán 32 millones de materiales inorgánicos potenciales. a find 18 candidatos prometedores20 in una cuestión de A los pocos días. El nuevo material, N2116, es un electrolito de estado sólido que puede reducir el uso de litio en las baterías en un 70% y ha sido probado para alimentar una bombilla.
Mientras tanto, la herramienta de inteligencia artificial GNoME de DeepMind tiene no haber aun identificado una solucion para el problema21 528 conductores de iones de litio prometedores, algunos de los cuales pueden ayudar a que las baterías sean más eficientes.
Luego está LBS22 (Li8B10S19) de investigadores de Stanford, quienes lo llamaron "el electrolito de iones de litio basado en azufre más estable que hemos visto experimentalmente". Los investigadores primero no haber aun identificado una solucion para el problema23 electrolitos solidos a Algún día reemplazaremos los electrolitos líquidos inflamables en las baterías de iones de litio mediante IA hace aproximadamente una década.
Conclusión
Estos ejemplos demuestran que la IA puede acelerar el descubrimiento de nuevos materiales. El reto ahora es convertir las predicciones informáticas en resultados reales, lo que implica combinar la IA con investigadores experimentados y datos fiables.
Desliza para desplazarte →
| Breakthrough | Beneficio principal |
|---|---|
| Perovskita Solar | Células escalables de mayor eficiencia |
| Catalizadores de hidrógeno | División de agua estable y de bajo costo |
| Materiales superduros | Nuevas fases ultraduras >40 GPa |
| Dieléctricos poliméricos | 11× densidad de energía a altas temperaturas |
| Electrolitos Sólidos | Baterías más seguras y de mayor densidad |
Lo que estamos viendo es aún incipiente. Estos descubrimientos nos están llevando hacia energías más limpias, tecnologías más seguras, materiales más resistentes e industrias que no dañan el planeta. La IA está cambiando la forma en que trabajamos en la ciencia de los materiales, y eso es crucial para el futuro.
Haga clic aquí para aprender todo sobre invertir en inteligencia artificial.
Referencias
1. Peplow, M. (2025). La IA está creando millones de materiales nuevos. ¿Son buenos? Nature, 646, 22–25. Publicado el 1 de octubre de 2025. https://doi.org/10.1038/d41586-025-03147-92
2. Universidad de Florida Central. (16 de diciembre de 2019). La inteligencia artificial podría ayudar a los científicos a fabricar células solares en aerosolScienceDaily. Publicado el 16 de diciembre de 2019. https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W. y Peng, Y. (2019). Células solares de perovskita de alta eficiencia mediante deposición de vapor de fuente única. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, AC, Colburn, T.W., Ren, Z., Dauskardt, R.H. y Buonassisi, T. (2022). Aprendizaje automático con restricciones de conocimiento para la optimización de procesos de fabricación de células solares de perovskita a cielo abierto. Joule, 6 (4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, JS, Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, JA, Guldi, DM, Pérez-Ojeda, ME, Seok, SI, Friederich, P. y Brabec, CJ (2024). El flujo de trabajo de diseño inverso descubre materiales de transporte de huecos diseñados para células solares de perovskita. Ciencias:, 386(6727), 1256-1264. Publicado el 13 de diciembre de 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. y Wang, X. (2024). Liberando el potencial: aplicaciones de aprendizaje automático en el diseño de electrocatalizadores para la transformación electroquímica de la energía del hidrógeno. Reseñas de la Sociedad Química, 53, 11390–11461. Publicado el 9 de octubre de 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, DW, Choi, JH, Goddard, WA y Kang, JK (2025). Diseño impulsado por IA de aleaciones de elementos multiprincipales para una división óptima del agua. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 122(28), e2504226122. Publicado el 15 de julio de 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, NJ, Rendy, B., Fei, Y., Kumar, RE, He, T., Milsted, D., McDermott, MJ, Gallant, M., Cubuk, ED, Merchant, A., Kim, H., Jain, A., Bartel, CJ, Persson, K. y Zeng, Y. (2023). Un laboratorio autónomo para la síntesis acelerada de nuevos materiales. Nature, 624, 86–91. Publicado el 29 de noviembre de 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, MJ, Levy, O., Kramer, MJ y Gaultois, MW (2019). Predicción de materiales superduros mediante una búsqueda de estructura evolutiva basada en aprendizaje automático. Materiales computacionales npj, 5, 89. Publicado el 03 de septiembre de 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, WC, Schmidt, JN, Yan, D., Oses, C., Toher, C., Curtarolo, S. y Mehl, MJ (2021). Aprendizaje automático y predicción evolutiva de compuestos BCN superduros. Materiales computacionales npj, 7, 114. Publicado el 21 de julio de 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake y Brgoch, Jakoah. (2021). Encontrar el próximo material superduro mediante el aprendizaje conjunto. Materiales avanzados, 33(5), e2005112. Publicado el 4 de diciembre de 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (5 de agosto de 2025). La IA ayuda a los químicos a desarrollar plásticos más resistentesNoticias del MIT. Consultado el 5 de agosto de 2025 en https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (28 de julio de 2025). Un nuevo sistema acelera drásticamente la búsqueda de materiales poliméricosNoticias del MIT. Consultado el 5 de agosto de 2025 en https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, DQ (2020). La búsqueda de una mayor resistencia dieléctrica de los dieléctricos basados en polímeros: una revisión centrada en los nanocompuestos poliméricos. Revista de ciencia aplicada de polímeros, 137, e49379. Publicado el 5 de abril de 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. y Kim, C. (2022). Diseño de alto dieléctrico de compuestos poliméricos mediante redes neuronales artificiales. Ciencias Aplicadas, 12, 12592. Publicado el 25 de diciembre de 2022. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, AA, Cao, Y., Sotzing, G. y Ramprasad, R. (2024). Descubrimiento asistido por IA de dieléctricos de alta temperatura para el almacenamiento de energía. Nature Communications, 15(1), 6107. Publicado el 19 de julio de 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. y Gül, T. (2025). La industria de las baterías ha entrado en una nueva fase. Comentario de la AIE. Publicado el 5 de marzo de 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. y Xue, D. (2024). Aceleración del desarrollo de electrolitos de estado sólido mediante aprendizaje automático. Energía Siguiente, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. y Yu, L. (2025). La inteligencia artificial potencia las baterías de estado sólido para la selección de materiales y la evaluación del rendimiento. Letras nano-micro, 17, 287. Publicado el 6 de junio de 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). Gnome de DeepMind está impulsando la IA en la ciencia de los materiales. La revista Time. Publicado el 6 de junio de 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Cómo la IA y la HPC están acelerando el descubrimiento científico. Microsoft Source – Características de innovación. Publicado el 29 de octubre de 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
22. Ma, Y., Wan, J., Xu, X.,… (2023). Descubrimiento experimental de un electrolito sólido de tioborato de litio rápido y estable, Li6+2x[B10S18]Sx (x ≈ 1). Cartas de Energía ACS, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560
23. Universidad de Stanford. (2016). Baterías sin quemar: Científicos de Stanford recurren a la IA para crear baterías de iones de litio más seguras. Noticias de Stanford. Publicado el 12 de diciembre de 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries
