Inteligencia artificial
5 avances de IA que están transformando el descubrimiento de materiales hoy
La inteligencia artificial (IA) sigue transformando el mundo y remodelando 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 enormes cantidades de datos para identificar patrones y tomar decisiones.
De esta manera, la IA puede simular ciertos niveles de razonamiento y procesos cognitivos similares a los humanos.
Según el World Trade Report, los aumentos de productividad y los beneficios de costos de la IA pueden impulsar el PIB mundial entre un 12‑13 % 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 medianos pueden ver un aumento de hasta el 15 % en sus ingresos.
Además de ayudar a las naciones a reforzar su productividad, comercio y posición económica, la IA puede ayudar a la sociedad impulsando innovaciones en diversas industrias. Una de las formas en que la tecnología lo está haciendo 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 de cobre y estaño dio origen a la Edad del Bronce, cuando herramientas y armas más fuertes transformaron el comercio y las sociedades.
Luego llegó la Edad del Hierro, cuando el dominio del hierro remodeló las economías. Avanzando al siglo XIX, el acero se adoptó ampliamente. Una aleación de hierro y carbono, el acero fue la columna vertebral de ferrocarriles, rascacielos, barcos y maquinaria, impulsando la Revolución Industrial y la expansión global.
En el final del siglo XX, la Era del Silicio transformó el mundo con el descubrimiento y refinamiento de semiconductores que son la base de la electrónica moderna. Ahora estamos en la era de los materiales avanzados, donde el grafeno, los nanotubos de carbono y los materiales cuánticos están abriendo puertas a energía más limpia, aviones más ligeros y computación más rápida.
La llegada de la IA y el aprendizaje automático (ML) está contribuyendo a la innovación en materiales y, por extensión, en diversas industrias al acelerar significativamente el proceso de descubrimiento, diseño y optimización de materiales.
Para ello, la IA utiliza algoritmos y modelos para examinar vastas bases de datos de candidatos según necesidades de aplicación específicas. Aquí, los modelos de aprendizaje profundo como Graph Neural Networks (GNNs) y Recurrent Neural Networks (RNNs) son cruciales para analizar los complejos conjuntos de datos que se encuentran en la ciencia de los materiales.
También pueden identificar materiales existentes con propiedades deseadas a partir de esas bases de datos e incluso predecir las propiedades de materiales basándose en su composición y estructura.
Con la ayuda de la IA, el campo de la ciencia de materiales puede ir más allá de los métodos tradicionales de prueba y error, que son lentos y costosos.
Además, los modelos de IA pueden generar nuevas estructuras de materiales adaptadas a requisitos específicos. Cuando se integran con plataformas experimentales automatizadas, la IA puede acelerar el largo proceso de descubrimiento de materiales hasta la producción.
A pesar de estos beneficios, persisten desafíos relacionados con la falta de datos de calidad y extensos para ciertos materiales. La síntesis exitosa de materiales recién descubiertos y diseñados en el laboratorio es otro gran desafío.
Como dijo el científico de materiales Anthony Cheetham de UCSB en Nature1 después de examinar la lista de 2,2 millones de cristales hipotéticos encontrados por GNoME, una herramienta de IA de DeepMind, una subsidiaria de Alphabet (Google), “Una cosa es descubrir un compuesto, y otra totalmente diferente es descubrir un nuevo material funcional.”
Al notar la falta de practicidad de muchos compuestos predichos por IA, Cheetham dijo:
“Encontramos bastantes cosas que eran ridículas.”
Esto muestra la brecha entre la predicción y la realización práctica. Lo que esta brecha requiere es la combinación de IA con la experiencia humana y la ciencia experimental.
Aún así, la promesa de la IA para revolucionar la ciencia de materiales simplemente no puede ser descartada. Dada su capacidad para conducir a un desarrollo más rápido de materiales para energía, salud, automoción, aeroespacial y otras aplicaciones cruciales, ese impacto es demasiado grande para ignorarlo.
Así que, veamos algunos de los ejemplos más destacados de la aplicación de la IA en la ciencia de los materiales que demuestran su potencial para ampliar los límites del descubrimiento e innovación de materiales.
Desliza para desplazarte →
| Dominio | Avance de IA (ir a sección) | Resultado en el mundo real |
|---|---|---|
| Celdas solares de perovskita | Procesamiento guiado por ML y diseño inverso |
Celdas abiertas a escala; descubrimiento de HTM; clase de eficiencia ~26,2 % |
| Electrocatalizadores de hidrógeno | Búsqueda de composición MPEA diseñada por IA |
Sobretensiones ultrabajas (HER/OER), estabilidad robusta |
| Materiales superduros | ML + búsqueda evolutiva para fases B–C–N |
Fases estables predichas >40 GPa de dureza |
| Dieléctricos de polímero | Descubrimiento asistido por IA y cribado HT |
Hasta 11× densidad de energía a 200 °C (8,3 J cc⁻¹) |
| Electrolitos de estado sólido | Cribado IA/HPC de candidatos inorgánicos |
Nuevos conductores (p. ej., N2116, Li8B10S19) |
1. Celdas solares de perovskita: materiales y procesos optimizados por IA
Una de las soluciones más prometedoras para lograr energía sostenible es la energía solar, y su adopción está creciendo rápidamente. En 2024, el mundo instaló un récord de ~600 GW de energía solar, un aumento del 33 % respecto a 2023. Para finales de la década, se espera que alcance ~1 TW por año.
Esta creciente demanda de energía solar crea la necesidad de materiales más eficientes, versátiles y rentables para las celdas solares.
La perovskita es uno de esos materiales que ofrece una estructura cristalina única. El mineral que ocurre naturalmente ahora puede recrearse sintéticamente. Al mezclar elementos orgánicos e inorgánicos, los científicos crean perovskitas sintéticas que exhiben notables propiedades de absorción de luz, lo que las hace altamente adecuadas para aplicaciones solares.
Además de su alta eficiencia, estos materiales ofrecen flexibilidad y una banda prohibida ajustable, pero persisten problemas de escalabilidad y estabilidad; por ello, se sigue buscando nuevas composiciones.
Así, los investigadores recurrieron a la IA para correlacionar el rendimiento de las celdas solares de perovskita (PSC) con las propiedades de los materiales y los procesos de conversión de energía hace 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 Central de Florida revisaron2 más de 2 000 publicaciones revisadas por pares sobre perovskita para recopilar más de 200 puntos de datos, que se introdujeron en el sistema de IA que crearon para obtener la mejor receta para las celdas solares de perovskita (PSC). Ese mismo año, científicos del MIT desarrollaron3 un modelo para acelerar la síntesis y el análisis de nuevos compuestos en un factor diez y encontraron dos nuevas perovskitas libres de plomo dignas de mayor investigación.
En 2022, investigadores del MIT y la Universidad de Stanford informaron4 que, con la ayuda de IA, escalaron la fabricación avanzada de celdas solares.
Para ello, se creó un sistema, en desarrollo durante varios años, para integrar datos de experimentos previos así como información basada en observaciones personales de trabajadores experimentados. Esta integración hizo que los resultados fueran más precisos y condujo a la fabricación de celdas de perovskita con una eficiencia de conversión energética del 18,5 %.
Esto difiere de la mayoría de los sistemas de aprendizaje automático, que utilizan principalmente datos sin procesar y típicamente no incorporan la experiencia humana. Para incluir información externa en su modelo, emplearon un factor de probabilidad basado en la Optimización Bayesiana, lo que les permitió “descubrir tendencias que no podíamos ver antes”.
El descubrimiento de tecnología solar de perovskita avanzada con la ayuda de IA está continuando y ganando velocidad para incrementar la eficiencia de las PSC. En un estudio publicado5, la eficiencia se aumentó al 26,2 % mientras se ahorraba “una enorme cantidad de tiempo y recursos”.
2. Electrocatalizadores de hidrógeno descubiertos por IA
Un sustituto prometedor de los combustibles fósiles no renovables que son responsables de enormes cantidades de emisiones de gases de efecto invernadero (GEI) es el hidrógeno. El elemento más abundante del universo, el hidrógeno, ha surgido como una fuente de energía limpia y renovable.
Sin embargo, la producción eficiente de hidrógeno para satisfacer la demanda a escala comercial es un desafío serio. Aquí, la electrólisis de división del agua ofrece una vía prometedora, donde la electrocatalisis juega un papel crítico. Esto hace que el desarrollo de electrocatalizadores de bajo costo, activos y estables sea un requisito esencial para obtener la producción de hidrógeno electrocatalítica deseada a partir de la división del agua.
Los electrocatalizadores aceleran la producción de hidrógeno al reducir la energía necesaria para la división del agua 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 según si la reacción es ácida, alcalina o se lleva a cabo a altas temperaturas.
Sin embargo, es muy costoso y lleva mucho tiempo usar el método tradicional de prueba y error para buscar materiales existentes y nuevos adecuados que mejoren las reacciones, por lo que se está utilizando6 la IA para superar las limitaciones de los enfoques tradicionales, descubrir candidatos novedosos y mejorar productos conocidos.
Un estudio reciente informó7 que su IA filtrada por entropía, entrenada con un conjunto de datos DoE, analizó 16,2 millones de composiciones químicas para identificar Fe12Co28Ni33Mo17Pd5Pt5 como la mejor composición para la división del agua. La aleación muestra sobretensiones ultrabajas para ambas reacciones electrocatalíticas fundamentales, HER y OER, mientras mantiene una estabilidad robusta.
Mientras tanto, hace un par de años, el laboratorio de IA de Google DeepMind contribuyó con 380 000 nuevos compuestos al Materials Project, 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 captura de carbono y como fotocatalizadores, termoeléctricos y conductores transparentes.
La base de datos incluye cómo están dispuestos los átomos de un material y cuán estable es. GNoME fue entrenado usando los datos y flujos de trabajo que fueron desarrollados por el Project y luego mejorado mediante aprendizaje activo.
Usando los cálculos de GNoME de Google DeepMind junto con datos del Materials Project, los investigadores probaron A‑Lab, una instalación en el Laboratorio Berkeley donde la IA guía robots para crear nuevos materiales. A‑Lab produjo 41 nuevos compuestos8.
3. Materiales superduros: descubrimiento guiado por ML más allá del diamante
Industrias como la militar, aeroespacial y la producción de energía demandan materiales superduros, que son sólidos prácticamente incomprensibles. El valor de dureza de estos materiales supera los 40 gigapascales (GPa) en la escala Vickers, y presentan alta covalencia de enlaces y alta densidad electrónica.
El diamante es el material más duro conocido hasta la fecha, con un valor de dureza en el rango de 70‑150 GPa. Esto significa que se necesitaría una presión superior a ese rango (70‑150 GPa) para dejar una indentación 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 usadas por científicos para encontrar nuevos materiales adecuados. Pero la IA ha cambiado eso.
Con los años, varios investigadores han encontrado9 nuevas fases superduros, y uno informó10 BC10N, B4C5N3 y B2C3N que exhiben fases dinámicamente estables con valores de dureza >40 GPa.
En 2020, investigadores de la Universidad de Houston y Manhattan College utilizaron11 un modelo de ML para predecir con precisión la dureza de nuevos materiales, permitiéndoles encontrar compuestos apropiados más rápidamente.
La gran presión requerida para dejar cualquier marca en la superficie de un material los hace raros, y “identificar nuevos materiales es un desafío”. Y esto es exactamente por lo que, “los materiales como el diamante sintético siguen utilizándose 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 complicante aquí es la dependencia de la carga, lo que significa que la dureza de un material puede variar según la cantidad de presión ejercida. Esto hace que probar experimentalmente un material sea complejo. Incluso usar modelado computacional es casi imposible, por lo que los investigadores crearon un modelo que supera el desafío al predecir la dureza Vickers dependiente de la carga basándose únicamente en la composición química del material.
El algoritmo se basó en una base de datos que involucró 560 compuestos diferentes que requirió revisar cientos de artículos académicos. “Todos los buenos proyectos de aprendizaje automático comienzan con un buen conjunto de datos,” dijo Brgoch. “El verdadero éxito depende en gran medida del desarrollo de este conjunto de datos.”
Como resultado, encontraron más de 10 nuevas fases estables de borocarburos, y con una precisión del modelo del 97 %, se sienten optimistas sobre lograr el éxito en el laboratorio.
La IA no está exenta de limitaciones, sin embargo, como señaló Brgoch, “La idea de usar aprendizaje automático no es decir, ‘Aquí está el próximo gran material’, sino ayudar a guiar nuestra búsqueda experimental.” Lo que la tecnología hace es “te dice dónde deberías buscar”.
4. Dieléctricos de polímero: 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 es lo que determina la densidad de energía de los condensadores, y los dieléctricos de polímero se utilizan ampliamente para el almacenamiento de energía debido a su bajo costo, flexibilidad mecánica, fiabilidad, velocidad de descarga rápida y facilidad de procesamiento. Sin embargo, su baja densidad de energía es un problema.
Como resultado, los investigadores continuamente buscan mejorar el rendimiento desarrollando nuevos dieléctricos de polímero para aumentar su capacidad de almacenamiento de energía para aplicaciones en sistemas de energía, electrónica y vehículos eléctricos (EVs).
La IA ha logrado un progreso asombroso en materiales de polímero. Por ejemplo, hace apenas unos meses, investigadores del MIT y la Universidad de Duke colaboraron para crear12 polímeros más duraderos incorporando moléculas de entrecruzamiento sensibles al estrés, que fueron identificadas por IA. Los investigadores del MIT también construyeron13 un sistema que encuentra, mezcla y prueba hasta 700 nuevas combinaciones de polímeros por día para aplicaciones como electrolitos de batería, estabilización de proteínas o materiales de liberación de fármacos.
Diseñar nuevas combinaciones de polímeros presenta el problema de un número casi infinito de posibles polímeros iniciales, y una vez se han seleccionado algunos, entonces la composición de cada polímero debe elegirse, así como la concentración de polímeros en la mezcla.
“Tener un espacio de diseño tan amplio requiere soluciones algorítmicas y flujos de trabajo de alto rendimiento porque simplemente no podrías probar todas las combinaciones mediante fuerza bruta.”
– Autor principal del artículo, Connor Coley
Su sistema de IA les proporcionó combinaciones óptimas, con la mejor rindiendo un 18 % mejor que sus componentes individuales.
Dada la eficiencia con la que la IA brinda nuevas opciones y combinaciones de polímeros, tiene sentido aplicar la tecnología14 para identificar mejores dieléctricos de polímero15.
Un equipo de investigadores hizo precisamente eso y descubrió16 dieléctricos con 11 veces la densidad de energía de las alternativas comerciales a temperaturas elevadas.
El algoritmo innovador se desarrolló para predecir las propiedades y formulaciones de polímeros antes de crearlos. Para ello, primero definieron requisitos específicos y luego entrenaron los modelos de ML con datos de propiedades de materiales existentes para predecir los resultados deseados.
Además de la IA, los investigadores emplearon química de polímeros establecida e ingeniería molecular para descubrir una serie de dieléctricos en las familias de polinorbreneno y poliimida, con muchos de los dieléctricos descubiertos mostrando alta densidad de energía y alta estabilidad térmica en un amplio rango de temperaturas.
Sin embargo, uno en particular mostró una densidad de energía de 8,3 J cc⁻¹ a 200 °C, lo que es mucho mayor que el dieléctrico de polímero comercialmente disponible.
“En los primeros días de la IA en la ciencia de materiales, impulsada por la Iniciativa del Genoma de Materiales de la Casa Blanca hace más de una década, la investigación en este campo estaba mayormente impulsada por la curiosidad. Sólo en los últimos años hemos comenzado a ver historias de éxito tangibles en el mundo real de descubrimiento de polímeros acelerado por IA,” dijo el coautor Rampi Ramprasad, profesor del Instituto Tecnológico de Georgia. “Estos éxitos ahora están inspirando transformaciones significativas en el panorama de 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 global de baterías está avanzando rápidamente17. Dado el importante papel que las baterías juegan en el mundo moderno, los científicos están intentando constantemente desarrollar tecnologías de baterías más eficientes y seguras.
Si bien las baterías de iones de litio son las más utilizadas hoy en día, tienen una vida útil limitada y riesgos de seguridad, los cuales son abordados por las baterías de estado sólido (SSB).
Estas baterías sustituyen los electrolitos líquidos por electrolitos de estado sólido para eliminar el riesgo de inflamación a temperaturas elevadas mientras permiten una mayor densidad de energía y mejoran la durabilidad, creando baterías más seguras y potentes.
Pero estas baterías con electrolitos sólidos enfrentan sus propios desafíos, como baja conductividad iónica, compatibilidad de la interfaz del electrodo, estabilidad mecánica y química, y fabricación rentable. Por lo tanto, los investigadores están explorando materiales que puedan superar estos problemas mediante IA.
A diferencia de otros campos que discutimos hoy, las baterías son una de las áreas más candentes donde la aplicación de IA18 ha explotado debido a la participación de fabricantes de automóviles líderes y startups que están invirtiendo en I+D de baterías de estado sólido. Además del riesgo de seguridad, el sector también ha acumulado grandes bases de datos, lo suficientemente ricas para entrenar modelos de ML.
Incluso los gobiernos han listado las SSB como una prioridad estratégica para asegurar cadenas de suministro domésticas y lograr objetivos nacionales de energía y clima.
Así, hay varios casos en los que la IA ha ayudado19 a investigadores y empresas a descubrir nuevos electrolitos sólidos.
El año pasado, investigadores de Microsoft usaron IA junto con supercomputadoras para examinar 32 millones de posibles materiales inorgánicos para encontrar 18 candidatos prometedores20 en un lapso de unos pocos días. El nuevo material, N2116, es un electrolito de estado sólido que puede reducir el uso de litio en baterías en un 70 % y ha sido probado para alimentar una bombilla.
La herramienta de IA GNoME de DeepMind, mientras tanto, ha identificado21 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, que lo describieron como “el electrolito de iones de litio basado en azufre más estable que hayamos visto experimentalmente.” Los investigadores primero identificaron23 electrolitos sólidos para reemplazar algún día los electrolitos líquidos inflamables en baterías de iones de litio mediante IA hace aproximadamente una década.
Conclusión
Estos ejemplos demuestran que la IA puede acelerar cómo descubrimos nuevos materiales. El desafío ahora es convertir las predicciones informáticas en resultados reales, lo que implica combinar la IA con investigadores experimentados y datos fiables.
Desliza para desplazarte →
| Avance | Beneficio principal |
|---|---|
| Perovskita Solar | Mayor eficiencia, celdas escalables |
| Catalizadores de Hidrógeno | División de agua de bajo costo y estable |
| Materiales Superduros | Nuevas fases ultra‑duros >40 GPa |
| Dieléctricos de Polímero | 11× densidad de energía a altas temperaturas |
| Electrolitos Sólidos | Baterías más seguras y de mayor densidad |
Lo que estamos viendo son los primeros días. Estos descubrimientos nos están llevando hacia una energía más limpia, tecnología más segura, materiales más resistentes e industrias que no agotan el planeta. La IA está cambiando la forma en que hacemos ciencia de materiales, y eso es crucial para lo que viene después.
Haz clic aquí para aprender todo sobre la inversión en inteligencia artificial.
Referencias
1. Peplow, M. (2025). La IA está soñando con millones de nuevos materiales. ¿Son buenos? Nature, 646, 22–25. Publicado 1 octubre 2025. https://doi.org/10.1038/d41586-025-03147-92
2. Universidad Central de Florida. (16 de diciembre 2019). La inteligencia artificial puede ayudar a los científicos a crear celdas solares pulverizables. ScienceDaily. Publicado 16 de diciembre 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Celdas 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, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Aprendizaje automático con restricciones de conocimiento para la optimización de procesos de fabricación de celdas solares de perovskita al aire libre. 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, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez‑Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). Flujo de diseño inverso descubre materiales de transporte de huecos adaptados para celdas solares de perovskita. Science, 386(6727), 1256‑1264. Publicado 13 de diciembre 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Desbloqueando el potencial: aplicaciones de aprendizaje automático en el diseño de electrocatalizadores para la transformación de energía de hidrógeno electroquímica. Chemical Society Reviews, 53, 11390–11461. Publicado 9 de octubre 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). Diseño impulsado por IA de aleaciones de elementos principales múltiples para la división de agua óptima. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Publicado 15 de julio 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). Un laboratorio autónomo para la síntesis acelerada de materiales novedosos. Nature, 624, 86–91. Publicado 29 de noviembre 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Predicción de materiales superduros mediante una búsqueda evolutiva informada por aprendizaje automático. npj Computational Materials, 5, 89. Publicado 3 de septiembre 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Aprendizaje automático y predicción evolutiva de compuestos B‑C‑N superduros. npj Computational Materials, 7, 114. Publicado 21 de julio 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Encontrando el próximo material superduro mediante aprendizaje de conjunto. Advanced Materials, 33(5), e2005112. Publicado 4 de diciembre 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (5 de agosto 2025). La IA ayuda a los químicos a desarrollar plásticos más resistentes. MIT News. Recuperado el 5 de agosto 2025, de https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (28 de julio 2025). Nuevo sistema acelera drásticamente la búsqueda de materiales de polímero. MIT News. Recuperado el 5 de agosto 2025, de https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, D. Q. (2020). La búsqueda de una mayor resistencia dieléctrica de dieléctricos basados en polímeros: una revisión enfocada en nanocompuestos de polímeros. Journal of Applied Polymer Science, 137, e49379. Publicado 5 de abril 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Diseño dieléctrico de composites de polímero mediante redes neuronales artificiales. Applied Sciences, 12, 12592. Publicado 25 de diciembre 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, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). Descubrimiento asistido por IA de dieléctricos de alta temperatura para almacenamiento de energía. Nature Communications, 15(1), 6107. Publicado 19 de julio 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). La industria de baterías ha entrado en una nueva fase. IEA Commentary. Publicado 5 de marzo 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. & Xue, D. (2024). Acelerando el desarrollo de electrolitos de estado sólido mediante aprendizaje automático. Next Energy, 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. & Yu, L. (2025). La inteligencia artificial potencia las baterías de estado sólido para el cribado de materiales y la evaluación de rendimiento. Nano‑Micro Letters, 17, 287. Publicado 6 de junio 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 materiales. Time Magazine. Publicado 6 de junio 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Cómo la IA y la computación de alto rendimiento están acelerando el descubrimiento científico. Microsoft Source – Innovation Features. Publicado 29 de octubre 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 de litio tioborato rápido y estable, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560
23. Stanford University. (2016). No hay baterías que ardan: científicos de Stanford recurren a la IA para crear baterías de iones de litio más seguras. Stanford News. Publicado 12 de diciembre 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries
