La IA potencia la búsqueda de materiales de refrigeración sostenible de próxima generación

En el mundo de los materiales, la nanofotónica térmica es fundamental para permitir avances esenciales en diversas aplicaciones tecnológicas.

La nanofotónica térmica combina la nanofotónica y la ciencia térmica para manipular y controlar la transferencia de calor a escala nanométrica. Utiliza nanoestructuras y materiales para adaptar la radiación térmica y el flujo de calor, lo que resulta en avances en diversas aplicaciones, incluyendo la captura de energía, la gestión térmica y la detección.

La nanofotónica se ocupa del comportamiento de la luz a escala nanométrica. Los materiales nanofotónicos, por su parte, ofrecen control espectral y direccional sobre la emisión térmica.

El método tradicional para encontrar dichos materiales está limitado por enfoques de prueba y error, pero la llegada del aprendizaje automático (ML) y la inteligencia artificial (AI) ha revolucionado el campo de la ciencia de materiales al acelerar significativamente los procesos de descubrimiento, diseño y optimización de materiales.

Aunque la tecnología ha demostrado sus poderosas capacidades en el diseño de nanofotónicos y metamateriales, es un desafío desarrollar una metodología de diseño general para personalizar emisores nanofotónicos de alto rendimiento con control ultrabanda y selectividad de banda precisa.

Esto se debe a que está restringido por algoritmos tradicionales, trampas de optimización local y geometrías y materiales predefinidos.

Sin embargo, esto ahora está siendo abordado por científicos de la Universidad de Texas en Austin, que colaboraron con investigadores de la Universidad de Umeå en Suecia, la Universidad Nacional de Singapur y la Universidad de Shanghai Jiao Tong.

Juntos, han diseñado una técnica de ML¹ para diseñar emisores meta térmicos 3D complejos.

Los meta-emisores son materiales diseñados para controlar y manipular la radiación electromagnética, ofreciendo aplicaciones en eficiencia energética y gestión térmica.

“Nuestro marco de aprendizaje automático representa un salto significativo en el diseño de meta‑emisores térmicos. Al automatizar el proceso y expandir el espacio de diseño, podemos crear materiales con un rendimiento superior que antes eran inimaginables.”

– Coautor del estudio Yuebing Zheng, profesor en la Escuela de Ingeniería Cockrell, Departamento Walker de Ingeniería Mecánica

Materiales impulsados por IA para el diseño urbano resiliente al clima

Publicado en Nature, el estudio detalla el nuevo marco basado en ML que ayudó a diseñar materiales que pueden reducir las temperaturas en interiores y, a su vez, los costos de energía.

Utilizando su marco, los científicos han logrado generar más de 1.500 nuevos materiales que pueden emitir calor de manera selectiva y controlada. También pueden ofrecer mayor precisión en calefacción y refrigeración para lograr una mayor eficiencia energética.

Su marco puede diseñar meta‑emisores térmicos ultrabanda y de selección de banda optimizando múltiples parámetros con datos limitados que abarcan la diversidad de materiales y la complejidad estructural 3D.

Según el estudio, su arquitectura permite capacidades de diseño dual. Primero, automatiza el diseño inverso de una multitud de posibles metastructuras así como combinaciones de materiales para el ajuste espectral. Segundo, tiene una “capacidad sin precedentes” para diseñar diferentes meta‑emisores 3D aplicando un método de modelado de tres planos que supera las limitaciones de las estructuras tradicionales planas 2D.

En su estudio, el equipo presenta siete meta‑emisores de prueba de concepto que demuestran un rendimiento óptico y de enfriamiento radiativo superior, superando los diseños avanzados actuales. Los siete tipos de meta‑emisores están adaptados a funciones específicas.

El marco generalizable desarrollado es para la fabricación de materiales nanofotónicos 3D, que los investigadores señalaron, “facilita la optimización global mediante una mayor libertad geométrica y dimensionalidad y una base de datos de materiales integral.”

Ahora, para evaluar la viabilidad de su sistema de diseño, los investigadores produjeron cuatro materiales de muestra y luego probaron su rendimiento.

Uno de los materiales meta‑emisor se aplicó al techo de una casa modelo. Para analizar su capacidad de enfriamiento, el material se comparó con pinturas blancas y grises comerciales estándar. Lo que los investigadores observaron después de que el techo estuvo expuesto a cuatro horas de luz solar directa al mediodía fue que el material recién creado estaba, en promedio, entre 5 y 20 grados Celsius más fresco que las pinturas tradicionales.

Con base en esto, el equipo estima que su material ahorrará aproximadamente 15.800 kilovatios‑hora (kWh) al año en costos de refrigeración para un edificio de apartamentos en una ciudad calurosa como Bangkok. Una unidad de aire acondicionado estándar suele consumir alrededor de 1.500 kWh al año.

Así, los materiales creados por el equipo pueden utilizarse para ahorros de energía residenciales y comerciales. En las ciudades, pueden ayudar a reducir las temperaturas al reflejar la luz solar y liberar calor en longitudes de onda específicas. De esta manera, el material puede reducir potencialmente el efecto de isla de calor urbano causado por la escasa vegetación y las densas estructuras de concreto.

Pero eso no es todo su uso. El material también puede emplearse en aplicaciones espaciales, donde gestiona eficientemente la radiación solar entrante y el calor emitido, ayudando a regular las temperaturas de las naves espaciales.

Los casos de uso de los meta‑emisores térmicos van mucho más allá de esto. Por ejemplo, al integrarlos en telas y textiles, podemos mejorar la tecnología de enfriamiento en ropa y equipos al aire libre.

Los automóviles son otro ejemplo. Al envolver los coches con meta‑emisores térmicos e integrarlos en los materiales interiores, el calor que se acumula cuando los coches están al sol también puede reducirse.

A pesar de sus muchas ventajas, estos materiales no han logrado una adopción generalizada debido a su laborioso proceso de diseño, y aun las opciones automatizadas han tenido dificultades para manejar su compleja estructura jerárquica 3D. Pero todo eso puede cambiar finalmente con el último marco de IA.

“Tradicionalmente, diseñar estos materiales ha sido lento y laborioso, basándose en métodos de prueba y error. Este enfoque a menudo conduce a diseños subóptimos y limita la capacidad de crear materiales con las propiedades necesarias para ser efectivos.”

– Zheng

Por lo tanto, los investigadores continuarán trabajando en su tecnología, refinándola y aplicándola a aspectos adicionales de la nanofotónica.

“El aprendizaje automático puede no ser la solución a todo, pero los requisitos espectrales únicos de la gestión térmica lo hacen particularmente adecuado para diseñar emisores térmicos de alto rendimiento.”

– Coautor Kan Yao

Cómo la IA acelera el descubrimiento de nuevos materiales

Enfocada en la estructura, propiedades, procesamiento y rendimiento de los materiales, la ciencia de materiales constituye la base de todo, desde la aeroespacial, la electrónica y la energía hasta la medicina y muchos otros campos.

De hecho, el descubrimiento y desarrollo de nuevos materiales ha sido crucial para moldear la historia humana durante siglos, impulsando la tecnología.

Durante décadas, hemos dependido del enfoque de prueba y error para encontrar nuevos materiales inorgánicos con propiedades favorables. Este enfoque es extremadamente intensivo en recursos, requiriendo cientos de miles de horas de experimentos para primero identificar y luego sintetizar solo un puñado de posibles nuevos materiales.

La complejidad de los materiales a nivel molecular y atómico es lo que hace que el descubrimiento de nuevos materiales sea un proceso largo y costoso. Así, la mayor disponibilidad de supercomputadoras cambió la ciencia de materiales al permitir la simulación del comportamiento de los materiales.

Y ahora, la llegada de la IA está liderando una revolución en el campo al acelerar el enfoque computacional de la ciencia de materiales. Al proporcionar las propiedades deseadas para un material así como restricciones, los sistemas de IA generativa pueden crear materiales totalmente nuevos.

Después de todo, los modelos avanzados de hoy, entrenados con enormes conjuntos de datos, cuando se combinan con la computación de alto rendimiento, pueden examinar rápidamente materiales candidatos contra los parámetros deseados, prediciendo propiedades para numerosas sustancias en muy poco tiempo.

No solo la IA puede ahorrar tiempo de desarrollo significativo y recursos humanos y materiales, sino que también puede hacerlo cumpliendo precisamente con requisitos de mercado complejos y variados.

Como Kristin Persson, profesora de ciencia de materiales en la Universidad de California, Berkeley, señaló, estamos actualmente en un paradigma donde la ciencia está impulsada por big data e IA. Hoy, tenemos suficientes datos para entrenar algoritmos de aprendizaje automático, y “eso aporta un nivel completamente nuevo de velocidad en términos de innovación,” dijo.

Curiosamente, la IA también se beneficia del descubrimiento de nuevos materiales. La IA es hambrienta de datos, y el campo de la ciencia de materiales carece de datos. Al utilizar esta tecnología, las propiedades de los materiales pueden simularse, y los datos resultantes pueden usarse para entrenar modelos de aprendizaje automático.

Persson lidera actualmente el esfuerzo multiinstitucional y multinacional llamado Materials Project, que aprovecha la supercomputación y métodos de simulación avanzados para calcular las propiedades de todos los materiales inorgánicos conocidos y más allá. Los datos se ponen a disposición de forma gratuita para diseñar materiales novedosos.

Haz clic aquí para aprender sobre los azulejos de techo adaptativos que pueden ayudar a reducir el consumo de energía de calefacción/refrigeración.

Avances en el descubrimiento de materiales impulsado por IA

Investigadores de la Facultad de Ingeniería de la Universidad de Toronto introdujeron recientemente una nueva herramienta que predice cómo podría usarse mejor un nuevo material para reducir el retraso entre el descubrimiento de un material y su despliegue.

La herramienta de IA multimodal utiliza datos de etapas tempranas para predecir el uso potencial en el mundo real de un nuevo material, enfocándose en una categoría específica de materiales porosos llamados marcos metal‑orgánicos (MOFs). 

El año pasado, los investigadores desarrollaron más de 5.000 diferentes tipos de estos materiales, que tienen propiedades ajustables, señaló el líder del estudio, el profesor Seyed Mohamad Moosavi de la Universidad de Toronto (ChemE). Añadió que el desafío es que un MOF creado para una aplicación particular a menudo resulta tener propiedades adecuadas para una totalmente diferente.

“En el descubrimiento de materiales, la pregunta típica es, ‘¿Cuál es el mejor material para esta aplicación?’” dijo Moosavi. “Invertimos la pregunta y preguntamos, ‘¿Cuál es la mejor aplicación para este nuevo material?’ Con tantos materiales fabricados cada día, queremos cambiar el enfoque de ‘qué material fabricamos a continuación’ a ‘qué evaluación deberíamos hacer a continuación.’”

Así, el estudiante de doctorado en ChemE, Sartaaj Khan, desarrolló un sistema de aprendizaje automático multimodal entrenado con varios tipos de datos. La multimodalidad fue clave aquí ya que le dio al modelo “una visión más completa” para hacer predicciones más precisas sin requerir post‑síntesis.

Investigadores del Laboratorio Nacional Argonne, mientras tanto, usaron un modelo de difusión de IA generativa para generar más de 120.000 candidatos MOF en poco más de media hora usando una supercomputadora. La red neuronal modificada redujo el número de MOFs a 364, que se creían de alto rendimiento.

Con algunos días más y un análisis computacional adicional, el equipo encontró 102 MOFs estables en el conjunto de datos. 6 de estos tenían una capacidad de CO2 clasificada entre el 5 % superior de materiales en la popular base de datos hMOF.

En otro ejemplo, científicos usaron IA para diseñar nanomateriales completamente nuevos que son tan ligeros como el poliestireno expandido mientras poseen la resistencia del acero al carbono.

La resistencia y la tenacidad tienden a estar en conflicto en muchos materiales, incluidos los nanoarquitectados, que están compuestos de bloques de construcción ultra‑pequeños. Cuando se repiten, estos bloques hacen que el material sea fuerte, pero también pueden causar concentraciones de estrés que llevan a rupturas súbitas.

Para encontrar mejores formas de diseñar nanomateriales, los investigadores simularon posibles geometrías y luego las pasaron por un algoritmo que aprendió de sus diseños para predecir las mejores formas para distribuir uniformemente los esfuerzos aplicados mientras soporta una carga pesada.

Los investigadores usaron una impresora 3D para materializar estas formas y descubrieron que podían soportar una tensión de 2,03 megapascales (MPa) por metro cúbico por kilogramo, que es cinco veces mayor que la del titanio.

Los investigadores ven su aplicación potencial como componentes ultraligeros en aplicaciones aeroespaciales para reducir la demanda de combustible y la alta huella de carbono de los vuelos.

Según el autor principal Peter Serles, investigador de ingeniería en Caltech:

“Esta es la primera vez que se aplica aprendizaje automático para optimizar materiales nanoarquitectados, y nos sorprendieron las mejoras. No solo replicó geometrías exitosas de los datos de entrenamiento; aprendió de qué cambios en las formas funcionaban y cuáles no, lo que le permitió predecir geometrías de red completamente nuevas.”

El descubrimiento de materiales basado en IA también se está utilizando extensamente para la planificación urbana. Una investigación colaborativa⁵ desarrolló un marco avanzado que integra aprendizaje profundo con teledetección para identificar materiales de construcción con una precisión sin precedentes.

Además de la eficiencia energética, la IA puede elevar la planificación urbana ayudando con la monitorización ambiental y conservación, desarrollo de vivienda e infraestructura, y seguridad pública y respuesta a desastres.

Haz clic aquí para aprender sobre las turbinas eólicas sin aspas, a menudo referidas como el futuro de la energía limpia.

Invertir en el descubrimiento de materiales basado en IA

Si analizamos el potencial de inversión de la IA, es enorme, con el mercado proyectado a valer billones en los próximos años. Cuando se trata de empresas que lideran este avance tecnológico, especialmente en la ciencia de materiales, dos nombres destacan: Microsoft (MSFT ) y Google (Alphabet Inc.) (GOOG ), que han lanzado sus propios modelos para elevar la escala y precisión de la investigación de materiales. Sin embargo, para los propósitos de este artículo, nos centraremos en Alphabet Inc.

Alphabet Inc. (GOOG )

A finales de 2023, DeepMind de Google lanzó una herramienta de IA llamada Graph Networks for Materials Exploration (Gnome) para acelerar el proceso de descubrimiento de materiales. En ese momento, informó haber encontrado 2,2 millones de nuevos cristales con la ayuda de la herramienta de aprendizaje profundo.

Google señaló que esto es “equivalente a aproximadamente 800 años de conocimiento y demuestra una escala y nivel de precisión sin precedentes en las predicciones.” Los cristales recién descubiertos incluyeron 380.000 materiales estables, lo que los convierte en candidatos prometedores para síntesis experimental y capaces de impulsar tecnologías futuras.

El modelo Gnome es un modelo de red neuronal de grafos (GNN), donde los datos de entrada se representan como un grafo. Gnome se entrenó con datos del Materials Project, incluidas estructuras cristalinas y su estabilidad, para generar nuevos cristales candidatos y predecir su estabilidad.

Google evaluó su poder predictivo verificando repetidamente su rendimiento usando la Teoría del Funcional de la Densidad (DFT). Para el ‘proceso de entrenamiento’, utilizó ‘aprendizaje activo’ en el que los datos resultantes se retroalimentaban al modelo, impulsando significativamente el rendimiento de Gnome.

Según Google, la precisión de predicción de estabilidad del modelo aumentó del 50 % al 80 %. La eficiencia del modelo, mientras tanto, se escaló de menos del 10 % a más del 80 %.

Además, alrededor de 736 materiales predichos por Gnome han sido sintetizados independientemente por investigadores externos. Google también colaboró con el Laboratorio Nacional Lawrence Berkeley para sintetizar 41 nuevos materiales, validando la fuerza predictiva de la herramienta y el poder de la experimentación autónoma.

Ahora, veamos el desempeño del gigante con capitalización de mercado de 2,2 billones de dólares. Al momento de escribir, sus acciones cotizan alrededor de 182 $, con una caída del 3,86 % en lo que va del año. Tiene un EPS (TTM) de 8,97 y un P/E (TTM) de 20,29. El rendimiento de dividendos pagado es del 0,46 %.

En cuanto a las finanzas de la empresa, la empresa matriz de Google, Alphabet, reportó ingresos de 90,2 mil millones de dólares para el primer trimestre que terminó el 31 de marzo de 2025. Las ganancias por acción fueron de 2,81 $. Estos números, dijo el CEO Sundar Pichai, “reflejan un crecimiento saludable y un impulso en todo el negocio. Subyacente a este crecimiento está nuestro enfoque de pila completa único para la IA.”

Últimas noticias y desarrollos de acciones de Alphabet Inc. (GOOG)

Conclusión

La IA está transformando cada aspecto de nuestras vidas, incluido cómo diseñamos los materiales que moldean nuestro futuro. La integración de la tecnología en las ciencias de materiales representa un verdadero cambio de paradigma, acelerando descubrimientos que antes tomaban años y ahora toman días o incluso horas.

En términos simples, la IA está impulsando el futuro cercano de la innovación de materiales al utilizar enormes conjuntos de datos, computación de alto rendimiento y modelos generativos, permitiendo a los investigadores predecir, diseñar y optimizar materiales novedosos con una eficiencia y precisión sin precedentes.

Haz clic aquí para aprender sobre las acciones de energía limpia con enfoque ambiental.

Referencias:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Meta‑emisores térmicos ultrabanda y de selección de banda mediante aprendizaje automático. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Conectando la síntesis de marcos metal‑orgánicos a aplicaciones mediante aprendizaje automático multimodal. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Un marco de inteligencia artificial generativa basado en un modelo de difusión molecular para el diseño de marcos metal‑orgánicos para captura de carbono. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. Resistencia específica ultralta mediante optimización bayesiana de nanoláminas de carbono. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. Tejido urbano decodificado: identificación de materiales de construcción de alta precisión mediante aprendizaje profundo y teledetección. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. Escalando el aprendizaje profundo para el descubrimiento de materiales. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9