Dentro de los Laboratorios Impulsados por IA: Una Nueva Era del Descubrimiento de Materiales

Al igual que un número creciente de industrias, la ciencia de materiales también está siendo asistida por la inteligencia artificial (IA).

Aquí, los algoritmos de aprendizaje automático (ML) analizan enormes conjuntos de datos e identifican patrones para sugerir candidatos materiales prometedores en un tiempo mínimo, mientras consumen significativamente menos recursos que los métodos de prueba y error.

El trabajo tradicional manual, intensivo en humanos, que fue potenciado por la llegada de sistemas computacionales, los cuales permiten cálculos complejos, ahora está siendo completamente revolucionado por procesos automatizados, paralelos e iterativos impulsados por IA, simulación y automatización experimental. 

La madurez de la tecnología de IA, combinada con la computación de alto rendimiento y tecnologías de nube híbrida, está ayudando a la ciencia de materiales a entrar en un nuevo paradigma marcado por el descubrimiento acelerado de nuevos materiales, la modelización predictiva de propiedades de materiales y la experimentación autónoma. 

Este cambio de paradigma permite a los investigadores pasar de enfoques de prueba y error al diseño, reduciendo significativamente los ciclos de desarrollo y allanando el camino para materiales avanzados en energía, electrónica, salud y aplicaciones de sostenibilidad.

Recientemente, investigadores de la Universidad Estatal de Carolina del Norte dieron un paso más al crear un laboratorio autónomo para lograr un nuevo salto en la automatización de laboratorios y acelerar aún más el descubrimiento de materiales por parte de los científicos.

El laboratorio automatizado recopila diez veces más datos que los métodos tradicionales y manuales. Con este avance, los investigadores pueden realizar experimentos químicos dinámicos en tiempo real, ahorrando tiempo y recursos mientras permitiendo descubrimientos más rápidos.

Los nuevos descubrimientos de laboratorio ya no tomarán años; más bien, estamos mirando a un futuro donde las invenciones ocurrirán en días.

Un Laboratorio Impulsado por IA: Aprendizaje en Tiempo Real para el Descubrimiento en Tiempo Real

Para superar los desafíos globales en energía limpia, bienestar humano y sostenibilidad, es crítico lograr descubrimientos rápidos de materiales funcionales avanzados. El descubrimiento y la síntesis de nuevos materiales también son clave para tecnologías innovadoras como baterías, chips informáticos, paneles solares, y mucho más.

Como resultado, se ha logrado mucho progreso en plataformas de aceleración de materiales y laboratorios autónomos.

A pesar del progreso, la capacidad de estas plataformas y laboratorios para explorar espacios de parámetros complejos se ve obstaculizada por un bajo rendimiento de datos. Lentas transferencias y procesamiento de datos conducen a una productividad reducida.

Por lo tanto, investigadores de la Universidad Estatal de Carolina del Norte han “introducido experimentos de flujo dinámico como una estrategia de intensificación de datos para síntesis de materiales inorgánicos dentro de laboratorios fluidicos autónomos mediante el mapeo continuo de condiciones de reacción transitorias a equivalentes en estado estacionario.”

Publicado en Nature Chemical Engineering¹, el estudio detalla un laboratorio autónomo de última generación que utiliza experimentos en tiempo real para recopilar datos constantemente, haciendo que el descubrimiento de materiales sea más rápido y eficiente mientras reduce costos e impacto ambiental.

Para su trabajo, el estudio recibió apoyo de la National Science Foundation y del programa University of North Carolina Research Opportunities Initiative.

Ahora, ¿qué significa realmente los laboratorios autónomos (SDLs)? Bueno, estos son plataformas robóticas que combinan ML y automatización con la química y la ciencia de materiales para encontrar materiales más rápidamente. En estas plataformas experimentales modulares asistidas por ML, una serie de experimentos, que son seleccionados por el algoritmo de ML, se realizan de forma iterativa para alcanzar el objetivo programado.

“Imagine si los científicos pudieran descubrir materiales revolucionarios para energía limpia, nueva electrónica o químicos sostenibles en días en lugar de años, usando solo una fracción de los materiales y generando mucho menos desecho que el statu quo.”

– Coautor del artículo, Milad Abolhasani, Profesor ALCOA de Ingeniería Química y Biomolecular en la Universidad Estatal de Carolina del Norte

Él añadió:

“Este trabajo acerca ese futuro un paso más.”

Representando un enfoque transformador para acelerar el descubrimiento científico, los laboratorios autónomos están ganando popularidad en los campos de la química y la ciencia de materiales.

Los laboratorios autónomos que utilizan reactores de flujo continuo a menudo dependen de experimentos de flujo en estado estacionario, donde diferentes precursores se combinan antes de que ocurran reacciones químicas, y la mezcla fluye continuamente a través de un microcanal.

El producto que sale de él es luego caracterizado por una serie de sensores una vez que la reacción ha finalizado.

“Este enfoque establecido de los laboratorios autónomos ha tenido un impacto dramático en el descubrimiento de materiales,” señaló Abolhasani, al compartir que esto ha permitido a los científicos “identificar candidatos materiales prometedores para aplicaciones específicas en unos pocos meses o semanas, en lugar de años, mientras se reducen tanto los costos como el impacto ambiental del trabajo.” Pero no fue perfecto en absoluto, aún quedan áreas de mejora.

En particular, el tiempo de inactividad del sistema cuando la reacción química ocurre antes de que el material resultante pueda ser caracterizado. El tiempo de espera para los laboratorios autónomos puede ser de hasta una hora para cada experimento de flujo en estado estacionario.

“Ahora hemos creado un laboratorio autónomo que utiliza experimentos de flujo dinámico, donde las mezclas químicas se varían continuamente a través del sistema y se monitorean en tiempo real.”

– Abolhasani 

Lo que esto significa es que están eliminando el proceso de ejecutar muestras separadas a través del sistema y probar cada una una a la vez después de que hayan alcanzado un estado.

En cambio, han construido un sistema que simplemente no deja de funcionar. Las muestras se mueven continuamente a través del sistema. Esto se debe a que “el sistema nunca deja de caracterizar la muestra”, y el investigador puede “capturar datos sobre lo que ocurre en la muestra cada medio segundo”.

La integración de experimentos de flujo dinámico dentro de laboratorios fluidicos autónomos marca una ruptura con los experimentos por lotes tradicionales. 

En contraste con los enfoques convencionales, donde se recopilan puntos de datos aislados bajo condiciones de estado estacionario, en los experimentos de flujo dinámico, se utilizan principios microfluídicos para el mapeo rápido de condiciones de reacción.

Al crear un flujo constante de datos, se expande drásticamente la cantidad de datos experimentales accesibles.

Abolhasani ilustró que el equipo ahora obtiene 20 puntos de datos sobre lo que produce el experimento, comenzando con uno después de 0,5 segundos de tiempo de reacción, luego uno después de 1 segundo, y así sucesivamente, a diferencia del único punto de datos que obtenían después de 10 segundos de tiempo de reacción. Añadió:

“Es como pasar de una sola instantánea a una película completa de la reacción mientras ocurre. En lugar de esperar a que cada experimento termine, nuestro sistema siempre está funcionando, siempre aprendiendo.”

Tener tantos datos puede tener un impacto tremendo en el rendimiento de un laboratorio impulsado por IA. Los datos, después de todo, son clave para un algoritmo. La IA tiene gran apetito de datos, y según los datos que se le alimentan, el algoritmo hace predicciones.

Según Abolhasani:

“La parte más importante de cualquier laboratorio autónomo es el algoritmo de aprendizaje automático que el sistema usa para predecir qué experimento debe realizar a continuación.”

Como tal, el enfoque de datos en streaming permite que el cerebro de ML del laboratorio autónomo tome decisiones no solo más rápidas sino también más inteligentes, “centrándose en materiales y procesos óptimos en una fracción del tiempo”.

La calidad de los datos también determina la precisión de las predicciones. Así que, al contar con más datos experimentales de alta calidad, el algoritmo puede hacer predicciones más precisas y luego puede resolver un problema más rápido. 

“Esto tiene el beneficio adicional de reducir la cantidad de químicos necesarios para llegar a una solución.”

– Abolhasani

Para demostrar las capacidades de su sistema, el equipo aplicó experimentos de flujo dinámico a puntos cuánticos coloidales de CdSe. Esto se utilizó como banco de pruebas debido a su condición de sistema inorgánico bien establecido con no solo ricas dependencias de parámetros sino también un potencial tecnológico sustancial.

Obtuvo al menos 10 veces más datos que otros laboratorios autónomos que utilizaban experimentos de flujo en estado estacionario. Además, una vez entrenado, el laboratorio autónomo pudo descubrir los mejores candidatos en su primer intento.

Este avance, como dijo Abolhasani, “no se trata solo de velocidad”, sino de lograr sostenibilidad. Al reducir el número requerido de experimentos, el sistema reduce significativamente tanto el consumo químico como los desechos, promoviendo prácticas de investigación más sostenibles. Abolhasani dijo:

“El futuro del descubrimiento de materiales no solo se trata de cuán rápido podemos ir, también se trata de cuán responsablemente llegamos allí. Nuestro enfoque significa menos químicos, menos desechos y soluciones más rápidas para los desafíos más difíciles de la sociedad.”

El Papel Creciente de la IA en la Ciencia de Materiales: Descubrimientos Recientes Emocionantes

La IA está transformando industrias en todo el mundo, y eso incluye la ciencia de materiales, que es fundamental para muchas innovaciones tecnológicas y desafíos sociales. 

Como resultado, el uso de la IA en el descubrimiento y desarrollo de nuevos materiales ha estado en marcha durante muchos años, pero ciertamente ha ganado impulso en los últimos años a medida que la tecnología se vuelve más avanzada y capaz. 

“Con el desarrollo continuo, esperamos que la robótica y la automatización mejoren la velocidad, precisión y reproducibilidad de los experimentos en diversos instrumentos y disciplinas, generando los datos que los sistemas de inteligencia artificial pueden analizar para guiar experimentaciones posteriores.”

– Dr. James Cahoon, coautor del artículo ‘Transforming Science Labs into Automated Factories of Discovery’.²

Con eso, echemos un vistazo a algunos avances clave realizados en la ciencia de materiales este año en diferentes aplicaciones.

Para empezar, como compartimos recientemente, con la ayuda de la IA, los científicos han podido diseñar meta-emisores térmicos 3D complejos que pueden reducir las temperaturas interiores y ayudar a ahorrar costos de energía. El material creado mediante una técnica de ML recién diseñada puede encontrar aplicaciones en edificios residenciales y comerciales, naves espaciales, telas y textiles, automóviles y más.

“Al automatizar el proceso y expandir el espacio de diseño, podemos crear materiales con rendimiento superior que antes eran inimaginables.”

– Co-líder del estudio, Yuebing Zheng

Desarrollo de Nuevos Materiales Metálicos con Resistencia Superior

Hace un par de meses, científicos informaron que usaron IA para diseñar una nueva MPEA o aleaciones de múltiples elementos principales, que se encuentran en componentes de aviones, convertidores catalíticos y prótesis de rodilla.

La MPEA recién diseñada posee propiedades mecánicas superiores, lo que Sanket Deshmukh, profesor asociado de ingeniería química en Virginia Tech, dijo, “demuestra cómo los marcos y la IA explicable pueden desbloquear nuevas posibilidades en el diseño de materiales.”

Para interpretar el análisis realizado por el modelo de IA, Deshmukh y su equipo usaron el análisis SHAP (SHapley Additive exPlanations), lo que les permitió comprender cómo diferentes elementos y sus entornos locales afectan las propiedades de las MPEA, proporcionando a su vez más información y predicciones precisas.

Además de acelerar el descubrimiento de aleaciones metálicas avanzadas, Deshmukh cree que integrar ML con algoritmos evolutivos y validación experimental también puede ayudarnos a crear herramientas que “puedan extenderse a sistemas de materiales complejos como los glicomateriales – materiales poliméricos que contienen carbohidratos”.

Desentrañando los Secretos del Crecimiento Dendrítico en Películas Delgadas

La investigación³ de la Universidad de Ciencia de Tokio (TUS) ha desarrollado un modelo de IA explicable que predice el crecimiento de dendritas (patrón ramificado similar a un árbol) en películas delgadas, lo cual es un gran obstáculo en su fabricación a gran escala y está limitando su comercialización.

Al revelar las condiciones y mecanismos específicos detrás de la ramificación de dendritas, el modelo de IA está ayudando a mejorar el proceso de crecimiento de películas delgadas. Los dispositivos de película delgada son críticos en tecnologías como los semiconductores.

El novedoso modelo de IA integró el método de aprendizaje automático llamado análisis de componentes principales (PCA) y la técnica topológica llamada homología persistente con análisis de energía libre. 

“Al integrar topología y energía libre, nuestro método ofrece un enfoque versátil para el análisis de materiales. A través de esta integración, podemos establecer una conexión jerárquica entre microestructuras a escala atómica y funcionalidades macroscópicas en una amplia gama de materiales, allanando el camino para futuros avances en la ciencia de materiales.”“

– Profesor Masato Kotsugi del Departamento de Ciencia y Tecnología de Materiales en TUS

Obteniendo una Mejor Comprensión de las Nanopartículas

Un equipo de científicos de múltiples universidades se unió para desarrollar un método⁴ para comprender mejor el comportamiento dinámico de las nanopartículas, que son los bloques de construcción de la electrónica, los productos farmacéuticos y los materiales industriales.

Combinó microscopía electrónica con IA para visualizar las estructuras y movimientos de moléculas con una resolución temporal sin precedentes.

Como explicó Peter A. Crozier, profesor de ciencia e ingeniería de materiales en la Universidad Estatal de Arizona:

“La microscopía electrónica puede capturar imágenes con alta resolución espacial, pero debido a la velocidad a la que la estructura atómica de las nanopartículas cambia durante reacciones químicas, necesitamos recopilar datos a una velocidad muy alta para comprender su funcionalidad.”

Para mitigar este ruido, desarrollaron un método de IA que lo elimina automáticamente, “permitiendo la visualización de dinámicas clave a nivel atómico”.

Mientras tanto, un grupo de investigación de la Universidad Tecnológica de Graz está llevando la construcción de nanoestructuras a un nuevo nivel usando IA.

Para ello, están desarrollando un sistema de IA autoaprendente que posiciona autónomamente moléculas individuales rápidamente y en la orientación correcta usando microscopios de barrido de tunelamiento, proceso de otro modo difícil y que consume tiempo, para permitir la construcción de “estructuras moleculares altamente complejas, incluyendo circuitos lógicos en el rango nanométrico.”

El objetivo es, en última instancia, construir corales cuánticos, que son nanoestructuras en forma de puerta que pueden atrapar electrones, y usarlos para construir circuitos lógicos para estudiar cómo funcionan a nivel molecular. 

Descubriendo Mejores Materiales Fotovoltaicos

Una alternativa sostenible a las células solares convencionales basadas en silicio, las células solares de perovskita muestran un gran potencial como tecnología fotovoltaica de próxima generación para convertir la luz solar en electricidad. 

Su eficacia puede incrementarse aún más mediante moléculas que conducen cargas positivas, pero existen millones de moléculas diferentes, lo que implica sintetizarlas y probarlas todas. Sin embargo, al utilizar IA con síntesis automatizada de alto rendimiento, un equipo de investigadores del Instituto Tecnológico de Karlsruhe (KIT) pudo descubrir nuevas moléculas orgánicas⁵ en solo unas pocas semanas, con solo 150 experimentos dirigidos.

Los materiales recién descubiertos también aumentaron la eficiencia de una célula solar de referencia en aproximadamente dos puntos porcentuales.

Para ello, los científicos recurrieron a una base de datos con un millón de moléculas virtuales y seleccionaron aleatoriamente 13.000 de ellas antes de elegir 101. Las seleccionadas tenían las mayores diferencias en sus propiedades, y fueron sintetizadas con sistemas robóticos antes de utilizarlas para producir células solares.

Sentando las Bases para el Descubrimiento de Materiales Impulsado por IA

Aunque todos estos descubrimientos se están realizando, para que la IA realmente lo haga posible, necesita datos. Esto incluye datos sobre materiales así como datos de simulaciones a gran escala. 

Aunque muchas de esas bases de datos están disponibles, son bastante aisladas, por lo que se necesita un estándar “para que los usuarios puedan comunicarse con todas estas bibliotecas de datos y entender la información que reciben,” señaló Gian‑Marco Rignanese, profesor en el Instituto de Materia Condensada y Nanociencias de la UCLouvain en Bélgica.

Así, el verano pasado, una importante colaboración internacional publicó una versión ampliada del estándar OPTIMADE para facilitar el descubrimiento de materiales impulsado por IA.

El estándar OPTIMADE (Integración de Bases de Datos Abiertas para el Diseño de Materiales) cuenta con el respaldo de una amplia red internacional de instituciones y bases de datos de materiales. Con el objetivo de brindar a los usuarios un acceso más fácil a bases de datos de materiales líderes y menos conocidas, se introdujo una nueva versión que puede acelerar aún más el descubrimiento de materiales impulsado por IA.

Invertir en IA para el Descubrimiento de Materiales

Al considerar invertir en este sector, Alphabet Inc (GOOG ). (GOOGL ) propietaria de Google es una que ha lanzado una herramienta de IA llamada Gnome. Ha reportado encontrar 2,2 millones de nuevos cristales con ella. Luego está Microsoft (MSFT ), que ha introducido MatterGen y MatterSim para crear nuevos materiales candidatos y validarlos. But there’s another AI giant that has launched its own model to elevate the scale and precision of materials research.

NVIDIA Corporation (NVDA )

Ese es nada menos que la querida de IA Nvidia. A finales del año pasado, la compañía presentó NVIDIA ALCHEMI (Laboratorio de IA para Química e Innovación de Materiales).

La plataforma tiene como objetivo acelerar I&D en química y ciencia de materiales mediante el poder de la IA, y para lograrlo, incluye APIs y microservicios de inferencia acelerada. Esto permitirá la creación y despliegue de modelos de IA generativos para explorar el vasto universo de materiales y sugerir nuevos candidatos, y el desarrollo y uso de modelos sustitutos para lograr un equilibrio entre el costo de computación y la precisión. También permitirá herramientas de informática accesibles y modelos de base preentrenados para una rápida selección y herramientas de simulación para entrenar y afinar modelos de IA para nuevos casos de uso.

A través de ALCHEMI, NVIDIA busca acelerar el flujo de trabajo de descubrimiento y “dar paso a una nueva era de descubrimientos revolucionarios que impulsen un futuro más sostenible y saludable”.

Nvidia es una empresa con capitalización de mercado de 4,22 billones de dólares, cuyas acciones se cotizan alrededor de 173,5 dólares, con un aumento del 28,8% en lo que va del año. Su EPS (TTM) es 3,10, el P/E (TTM) es 55,73 y el rendimiento de dividendos ofrecido es 0,02%.

Últimas Noticias y Desarrollos de la Acción de NVIDIA Corporation (NVDA)

Conclusión

A medida que la IA, la automatización y la computación de alto rendimiento se unen, la ciencia de materiales está entrando en su era más transformadora, marcando un cambio tan necesario del ensayo y error liderado por humanos hacia el descubrimiento autónomo.

En medio de esto, los laboratorios impulsados por IA y las plataformas experimentales autónomas están cambiando por completo la forma en que los científicos no solo descubren, sino también prueban y optimizan materiales. Además, con iniciativas como ALCHEMI de NVIDIA, Gnome de Google y MatterGen de Microsoft, las grandes tecnológicas también están apostando por la IA para impulsar la próxima ola de innovación!

Haga clic aquí para aprender todo sobre invertir en inteligencia artificial.

Referencias:

1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. Intensificación de Datos Impulsada por Flujo para Acelerar el Descubrimiento Autónomo de Materiales Inorgánicos. Nature Chemical Engineering, publicado en línea el 14 de julio de 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Transformando Laboratorios Científicos en Fábricas Automatizadas de Descubrimiento. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. Vinculando Estructura y Proceso en el Crecimiento Dendrítico Usando Homología Persistente con Análisis de Energía. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Artículo 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, A. M.; Vincent, J.; Mohan, S.; Morales, A. M.; Kulkarni, S. A.; Matteson, D. S.; Wang, Y.; Fernandez‑Granda, C. Visualizando Dinámicas de Superficie y Inestabilidades de Nanopartículas Habilitadas por Desruido Profundo. Science 2025, 387 (6737), 949–954. https://doi.org/10.1126/science.ads2688
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. Flujo de Trabajo de Diseño Inverso Descubre Materiales de Transporte de Huecos Adaptados para Células Solares de Perovskita. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901