Investigadores del MIT usan IA para identificar nuevos materiales para baterías

Imagina demanar-li a una intel·ligència artificial un material per fabricar bateries millors i rebre una llista de candidats. Fins ara, trobar substàncies amb propietats concretes ha exigit estudiar multitud de combinacions químiques i comparar-ne les estructures. El desafiament és immens: petites variacions en la posició dels àtoms poden modificar l'estabilitat, la conductivitat o la resistència d'un compost. I no n'hi ha prou amb conèixer-ne la composició. També importa com s'organitza internament.

Investigadors del MIT han desenvolupat una intel·ligència artificial que relaciona descripcions escrites amb estructures tridimensionals de cristalls, és a dir, com estan ordenats els seus àtoms. El seu sistema aprèn a connectar paraules sobre característiques desitjables amb representacions de materials reals. D'aquesta manera, una consulta expressada en llenguatge corrent pot ajudar a localitzar estructures compatibles amb certs requisits. És una forma d'acostar dues maneres molt diferents de descriure la matèria: mitjançant frases i mitjançant geometries atòmiques.

Quan van buscar substàncies útils per a bateries d'estat sòlid, el sistema va identificar opcions que altres científics ja consideraven prometedores. Aquestes bateries empren un electròlit sòlid, en lloc del líquid utilitzat habitualment en moltes bateries actuals. Trobar materials adequats resulta complicat perquè han de reunir diverses propietats alhora: facilitar el moviment dels ions, conservar la seva estabilitat i funcionar juntament amb els altres components.

Però recomanar un compost no significa que pugui fabricar-se ni que funcioni com esperem. Això requereix experiments. Els investigadors han de comprovar com es comporta cada candidat en condicions reals. Una estructura atractiva en una base de dades podria presentar dificultats de síntesi, degradar-se durant l'ús o tenir un rendiment insuficient. Per això la intel·ligència artificial no substitueix el laboratori: ajuda a decidir què mereix estudiar-se primer. Això permetria estalviar temps i recursos.

La clau és invertir la cerca: començar pel que volem aconseguir i trobar després materials que podrien aconseguir-ho.

REFERÈNCIES

Yang Jeong Park, Mayank Kumaran, Chia-Wei Hsu, Elsa Olivetti i Ju Li. "Scaling multimodal materials representation learning with synthetic narratives". Nature Communications, 26 d'agost de 2026.

Font: https://muyinteresante.okdiario.com/ciencia/inteligencia-artificial-busca-nuevos-materiales.html

Imagina pedirle a una inteligencia artificial un material para fabricar baterías mejores y recibir una lista de candidatos. Hasta ahora, encontrar sustancias con propiedades concretas ha exigido estudiar multitud de combinaciones químicas y comparar sus estructuras. El desafío es inmenso: pequeñas variaciones en la posición de los átomos pueden modificar la estabilidad, la conductividad o la resistencia de un compuesto. Y no basta con conocer su composición. También importa cómo se organiza internamente.

Investigadores del MIT han desarrollado una inteligencia artificial que relaciona descripciones escritas con estructuras tridimensionales de cristales, es decir, cómo están ordenados sus átomos. Su sistema aprende a conectar palabras sobre características deseables con representaciones de materiales reales. De ese modo, una consulta expresada en lenguaje corriente puede ayudar a localizar estructuras compatibles con ciertos requisitos. Es una forma de acercar dos maneras muy diferentes de describir la materia: mediante frases y mediante geometrías atómicas.

Cuando buscaron sustancias útiles para baterías de estado sólido, el sistema identificó opciones que otros científicos ya consideraban prometedoras. Estas baterías emplean un electrolito sólido, en lugar del líquido utilizado habitualmente en muchas baterías actuales. Encontrar materiales adecuados resulta complicado porque deben reunir varias propiedades a la vez: facilitar el movimiento de los iones, conservar su estabilidad y funcionar junto a los demás componentes.

Pero recomendar un compuesto no significa que pueda fabricarse ni que funcione como esperamos. Eso requiere experimentos. Los investigadores deben comprobar cómo se comporta cada candidato en condiciones reales. Una estructura atractiva en una base de datos podría presentar dificultades de síntesis, degradarse durante el uso o tener un rendimiento insuficiente. Por eso la inteligencia artificial no sustituye al laboratorio: ayuda a decidir qué merece estudiarse primero. Esto permitiría ahorrar tiempo y recursos.

La clave es invertir la búsqueda: empezar por lo que queremos conseguir y encontrar después materiales que podrían lograrlo.

REFERENCIAS

Yang Jeong Park, Mayank Kumaran, Chia-Wei Hsu, Elsa Olivetti y Ju Li. «Scaling multimodal materials representation learning with synthetic narratives». Nature Communications, 26 de agosto de 2026.

Fuente: https://muyinteresante.okdiario.com/ciencia/inteligencia-artificial-busca-nuevos-materiales.html

Imagine asking an artificial intelligence for a material to make better batteries and receiving a list of candidates. Until now, finding substances with specific properties has required studying a multitude of chemical combinations and comparing their structures. The challenge is immense: small variations in the position of atoms can alter the stability, conductivity, or resistance of a compound. And knowing its composition is not enough. How it is internally organised also matters.

Researchers at MIT have developed an artificial intelligence that links written descriptions with three-dimensional structures of crystals, that is, how their atoms are arranged. Their system learns to connect words about desirable characteristics with representations of real materials. In this way, a query expressed in ordinary language can help locate structures compatible with certain requirements. It is a way to bridge two very different ways of describing matter: through sentences and through atomic geometries.

When they searched for substances useful for solid-state batteries, the system identified options that other scientists already considered promising. These batteries use a solid electrolyte, instead of the liquid commonly used in many current batteries. Finding suitable materials is complicated because they must meet several properties at once: facilitate ion movement, maintain stability, and work alongside other components.

But recommending a compound does not mean it can be manufactured or that it will work as expected. That requires experiments. Researchers must verify how each candidate behaves under real conditions. An attractive structure in a database might present synthesis difficulties, degrade during use, or have insufficient performance. That is why artificial intelligence does not replace the laboratory: it helps decide what deserves to be studied first. This could save time and resources.

The key is to reverse the search: start with what we want to achieve and then find materials that could accomplish it.

REFERENCES

Yang Jeong Park, Mayank Kumaran, Chia-Wei Hsu, Elsa Olivetti, and Ju Li. "Scaling multimodal materials representation learning with synthetic narratives". Nature Communications, 26 August 2026.

Source: https://muyinteresante.okdiario.com/ciencia/inteligencia-artificial-busca-nuevos-materiales.html