La IA impulsa la búsqueda de materiales de enfriamiento sostenible de próxima generación

En el mundo de los materiales, la nanofotónica térmica es fundamental para permitir avances fundamentales 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 personalizar la radiación térmica y el flujo de calor, lo que resulta en avances en diversas aplicaciones, incluyendo la generación de energía, la gestión térmica y la detección.

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

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

Si bien la tecnología ha demostrado sus poderosas capacidades en el diseño de materiales nanofotónicos y metamateriales, es un desafío desarrollar una metodología de diseño general para personalizar emisores nanofotónicos de alto rendimiento con control ultrabanda ancha 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 Jiao Tong de Shanghai.

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

Los metaemisores 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 metaemisores térmicos. Al automatizar el proceso y ampliar el espacio de diseño, podemos crear materiales con un rendimiento superior que anteriormente eran inimaginables”.

– Co-líder del estudio Yuebing Zheng, profesor en el Departamento de Ingeniería Mecánica de la Escuela de Ingeniería Cockrell

Materiales con IA para un 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 energéticos.

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

Su marco puede diseñar metaemisores térmicos ultrabanda ancha y selectivos de banda al optimizar múltiples parámetros con datos limitados que cubren la diversidad de materiales y la complejidad estructural 3D.

Según el estudio, su arquitectura permite capacidades de diseño duales. Primero, automatiza el diseño inverso de una multitud de posibles metaestructuras y combinaciones de materiales para la personalización espectral. Segundo, tiene una “capacidad sin precedentes” para diseñar diferentes metaemisores 3D al aplicar un método de modelado de tres planos que supera las limitaciones de las estructuras tradicionales planas 2D.

En su estudio, el equipo presenta siete metaemisores de concepto de prueba que demuestran un rendimiento de enfriamiento óptico y radiativo superior, superando los diseños avanzados actuales. Los siete tipos de metaemisores están personalizados para funciones específicas.

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

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 metaemisores 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 tuvo cuatro horas de exposición directa a la luz solar del mediodía fue que el material recién creado estaba, en promedio, 5 a 20 grados Celsius más frío que las pinturas tradicionales.

Con base en esto, el equipo estima que su material ahorrará aproximadamente 15,800 kilovatios-hora (kWh) por año en costos de enfriamiento para un edificio de apartamentos en una ciudad calurosa como Bangkok. Una unidad de aire acondicionado estándar consume alrededor de 1,500 kWh anualmente.

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 reflejando la luz solar y liberando calor a longitudes de onda objetivo. De esta manera, el material puede potencialmente reducir el efecto de isla de calor urbana causado por la escasez de vegetación y las estructuras de concreto densas.

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

Los casos de uso de los metaemisores térmicos se extienden mucho más allá de esto. Por ejemplo, al integrarlos en telas y textiles, se puede mejorar la tecnología de enfriamiento en ropa y equipo al aire libre.

Los automóviles son otro ejemplo. Al envolver los automóviles con metaemisores térmicos y incorporarlos en materiales interiores, también se puede reducir el calor que se acumula cuando los automóviles se quedan al sol.

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

“Tradicionalmente, diseñar estos materiales ha sido lento y laborioso, dependiendo de 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 seguirán trabajando en su tecnología, perfeccionándola y aplicándola a otros aspectos de la nanofotónica.

“El aprendizaje automático puede no ser la solución para 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

Centrado en la estructura, las propiedades, el procesamiento y el rendimiento de los materiales, la ciencia de materiales forma la base de todo, desde la aerospacial, la electrónica y la energía hasta la medicina y muchos otros campos.

De hecho, el descubrimiento y el desarrollo de nuevos materiales han sido cruciales en la configuración de la historia humana durante siglos, avanzando 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 identificar y sintetizar solo una handful de materiales nuevos potenciales.

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

Y ahora, la llegada de la IA está llevando a una revolución en el campo al acelerar el enfoque computacional de la ciencia de materiales. Al proporcionar las propiedades deseables para un material, así como las restricciones, los sistemas de IA generativos pueden crear ahora materiales completamente nuevos.

Después de todo, los modelos avanzados de hoy en día, entrenados en conjuntos de datos masivos, cuando se combinan con la computación de alto rendimiento, pueden cribar rápidamente los materiales candidatos contra parámetros deseables, prediciendo así las propiedades para numerosas sustancias en un muy corto tiempo.

No solo la IA puede ahorrar un tiempo de desarrollo significativo y recursos humanos y materiales, sino que también puede hacerlo mientras cumple con precisión los requisitos complejos y variados del mercado.

Según 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 grandes datos y IA. Hoy en día, tenemos suficientes datos para entrenar algoritmos de aprendizaje automático, y “eso trae un nuevo nivel de velocidad en términos de innovación”, dijo.

Es interesante que la IA también se beneficie del descubrimiento de nuevos materiales. La IA es voraz de datos, y el campo de la ciencia de materiales carece de datos. Al utilizar esta tecnología, las propiedades de los materiales se pueden simular, y los datos resultantes se pueden utilizar para entrenar modelos de aprendizaje automático.

Persson actualmente lidera el esfuerzo multiinstitucional y multinacional llamado Proyecto de Materiales, que aprovecha la supercomputación y los métodos avanzados de simulación 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 nuevos.

Haga clic aquí para aprender sobre las tejas de techo adaptativas que pueden ayudar a reducir el consumo de energía para calefacción y enfriamiento.

Avances en el descubrimiento de materiales con IA

Investigadores de la Universidad de Toronto presentaron una nueva herramienta² recientemente que predice cómo un nuevo material podría ser utilizado mejor para reducir el retraso entre el descubrimiento de un material y su despliegue.

La herramienta de IA multimodal utiliza datos de etapa temprana para predecir el uso potencial en el mundo real de un nuevo material con un enfoque en una categoría específica de materiales porosos llamados marcos orgánicos metálicos (MOF).

Justo el año pasado, los investigadores desarrollaron más de 5.000 tipos diferentes de estos materiales, que tienen propiedades ajustables, señaló el profesor Seyed Mohamad Moosavi del Departamento de Ingeniería Química de la Universidad de Toronto (ChemE). Agregó que el desafío es que un MOF creado para una aplicación en particular a menudo resulta tener propiedades adecuadas para una aplicación completamente 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 hechos todos los días, queremos cambiar el enfoque de ‘¿qué material hacemos a continuación’ a ‘¿qué evaluación debemos hacer a continuación'”.

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

Investigadores del Laboratorio Nacional Argonne, mientras tanto, utilizaron un modelo de difusión de IA generativa para generar más de 120.000 candidatos a MOF³ en cuestión de más de media hora utilizando una supercomputadora. La red neuronal modificada redujo el número de MOF a 364, que se creía que tenían un alto rendimiento.

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

En otro ejemplo, los científicos utilizaron la IA para diseñar nanomateriales completamente nuevos⁴ que son tan ligeros como el poliestireno expandido mientras tienen la fuerza del acero de carbono.

La resistencia y la tenacidad tienden a estar en desacuerdo en muchos materiales, incluidos los nanoarquitecturados, que están compuestos por bloques de construcción ultra-pequeños. Cuando se repiten, estos bloques de construcción hacen que el material sea fuerte, pero también pueden causar concentraciones de estrés que llevan a roturas repentinas.

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

Los investigadores utilizaron una impresora 3D para dar vida a estas formas y encontraron que podían soportar un estrés de 2,03 megapascals (MPa) por metro cúbico por kilogramo, lo que es cinco veces mayor que el del titanio.

Los investigadores ven su aplicación potencial como componentes ultra-ligeros en aplicaciones aeroespaciales para reducir las demandas de combustible y la gran huella de carbono de volar.

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

“Esta es la primera vez que el aprendizaje automático se ha aplicado para optimizar materiales nanoarquitecturados, y nos sorprendió la mejora. No solo replicó geometrías exitosas de los datos de entrenamiento; aprendió de qué cambios en las formas funcionaban y qué no, lo que le permitió predecir geometrías de retícula completamente nuevas”.

El descubrimiento de materiales con IA también se está utilizando ampliamente en la planificación urbana. Una investigación colaborativa⁵ de la Universidad de Pekín y la Universidad del Sur de Dinamarca desarrolló un marco avanzado que integra el aprendizaje profundo con teledetección para identificar materiales de edificios con una precisión sin precedentes.

Además de la eficiencia energética, la IA puede elevar la planificación urbana al ayudar con la vigilancia ambiental y la conservación, el desarrollo de vivienda e infraestructura, y la seguridad y respuesta a desastres públicos.

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

Invertir en el descubrimiento de materiales con IA

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

Alphabet Inc. (GOOG )

A fines de 2023, Google’s DeepMind lanzó una herramienta de IA llamada Graph Networks for Materials Exploration (Gnome) para acelerar el proceso de descubrimiento de materiales. En ese momento, informó⁶ haber encontrado 2,2 millones de nuevos cristales con la ayuda de la herramienta de aprendizaje profundo.

Esto, según Google, es “equivalente a unos 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 la 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 en datos del Proyecto de Materiales, incluidas estructuras de cristal y su estabilidad, para generar candidatos de cristal nuevos y predecir su estabilidad.

Google evaluó su poder predictivo repitiendo su rendimiento utilizando la Teoría del Funcional de la Densidad (DFT). Para el “proceso de entrenamiento”, utilizó “aprendizaje activo” en el que los datos resultantes se volvieron a introducir en el modelo, lo que mejoró significativamente el rendimiento de Gnome.

La precisión de la predicción de estabilidad del modelo, según Google, aumentó desde el 50% hasta el 80%. La eficiencia del modelo, mientras tanto, se escaló desde menos del 10% hasta más del 80%.

Además, unos 736 materiales predichos por el Genoma han sido sintetizados de forma independiente 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, echemos un vistazo al rendimiento de la empresa gigante de $2,2 billones de capitalización de mercado. Al momento de escribir, sus acciones se negocian 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. La rentabilidad por dividendos pagada es del 0,46%.

En cuanto a las finanzas de la empresa, la empresa matriz de Google, Alphabet, informó ingresos de $90,200 millones para el primer trimestre que finalizó el 31 de marzo de 2025. Las ganancias por acción fueron de $2,81. Estos números, según el CEO Sundar Pichai, “reflejan un crecimiento y un impulso saludables en todo el negocio. Subyacente a este crecimiento está nuestro enfoque único de pila completa en IA”.

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

Conclusión

La IA está transformando todos los aspectos de nuestras vidas, incluida la forma en que diseñamos materiales que dan forma a nuestro futuro. La integración de la tecnología en la ciencia de materiales representa un cambio de paradigma real, acelerando descubrimientos que antes llevaban años lograrse, ahora tomando días o incluso horas.

Para ponerlo simplemente, la IA está impulsando el futuro cercano de la innovación de materiales al utilizar conjuntos de datos masivos, computación de alto rendimiento y modelos generativos, lo que permite a los investigadores predecir, diseñar y optimizar materiales nuevos con una eficiencia y precisión sin precedentes.

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

Referencias:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Metaemisores térmicos ultrabanda ancha y selectivos de banda por aprendizaje automático. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Conectar la síntesis de marcos orgánicos metálicos con aplicaciones utilizando 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 IA generativa basado en un modelo de difusión molecular para el diseño de marcos orgánicos metálicos para la 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 ultrahigh por optimización bayesiana de nanolattices 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. Telas urbanas decodificadas: identificación de materiales de edificios de alta precisión a través del aprendizaje profundo y la 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