La cantidad de combinaciones experimentales y teóricamente estables descubierta ha sido todo un récord en la historia de la ciencia
Durante los últimos meses hemos visto una gran evolución en lo que respecta a las tecnologías basadas en inteligencia artificial. Desde el lanzamiento de herramientas tan disruptivas como ChatGPT o DALL-E, ambas desarrolladas por OpenAI, quizás no se haya presenciado una sorpresa, y a la vez preocupación, por las herramientas basadas en IA nunca. La IA generativa evoluciona a pasos agigantados, y cada día descubrimos más ejemplos de este hecho.
En este caso, la protagonista no ha sido otra que Google, empresa que, gracias a su proyecto Google DeepMind, ha logrado utilizar la inteligencia artificial para predecir la estructura de más de dos millones de nuevos materiales, un hito histórico que bien podría valer para mejorar la tecnología presente en multitud de elementos de nuestro día a día.
Un hito histórico en el descubrimiento de materiales
La noticia se ha conocido gracias a una reciente publicación de la revista Nature. Según la compañía, próximamente podrían producirse casi 400.000 de sus hipotéticos diseños de materiales. Entre su investigación encontraríamos la producción de baterías de mejor rendimiento, paneles solares, chips para equipos informáticos, y mucho más.
La herramienta en cuestión se denomina GNoME y ha sido utilizada para descubrir una cantidad de combinaciones teoréticamente estables más de 45 veces mayor que el número de sustancias similares desenterradas en toda la historia de la ciencia, según se hace referencia en la publicación.
Sin duda, el descubrimiento y síntesis de nuevos materiales son dos hechos con un alto coste de producción y desarrollo. No es ninguna sorpresa que las compañías y organizaciones destinen grandes esfuerzos económicos por impulsar sus departamentos de I+D. Y es que gracias a la inteligencia artificial, los procesos se han aligerado notablemente.
«Esperamos que las grandes mejoras en experimentación, síntesis autónoma y modelos de machine learning acorten significativamente ese plazo de 10 a 20 años a algo mucho más manejable», afirma Ekin Dogus Cubuk, científico investigador de DeepMind.
La inteligencia artificial de DeepMind fue entrenada gracias a los datos de ‘Materials Project’, un equipo de investigación internacional fundado en el Laboratorio Nacional Lawrence Berkeley en 2011. Para ello se utilizaron investigaciones de alrededor de 50.000 materiales conocidos.
Tal y como ha mencionado la compañía, podrá ahora compartir parte de esta información con la comunidad científica con el objetivo de acelerar el proceso de descubrimiento de nuevos materiales.
«La industria tiende a ser un poco reacia al riesgo cuando se trata de aumentos de costes, y los nuevos materiales suelen tardar un poco en ser rentables», afirma Kristin Persson, directora de Materials Project. «Si podemos reducirlo incluso un poco más, se consideraría un verdadero avance,» continuaba.
Tras haber utilizado sus técnicas basadas en inteligencia artificial para predecir la estabilidad de nuevos materiales, DeepMind pretende centrarse ahora en predecir cómo de fácil podrían sintetizarse estos materiales en un laboratorio.
Fuente: genbeta.com