Descubrir un nuevo material puede requerir probar enormes cantidades de combinaciones antes de encontrar una que realmente funcione. Las computadoras permiten acelerar esa búsqueda, pero incluso los modelos más avanzados suelen generar miles o millones de estructuras que parecen interesantes inicialmente y terminan descartándose porque son químicamente inestables. Investigadores del MIT desarrollaron ahora un sistema de inteligencia artificial que intenta evitar buena parte de ese desperdicio computacional desde el comienzo. La herramienta, llamada CrysVCD, no se limita a generar posibles materiales y comprobar después si tienen sentido químico, sino que incorpora algunas de esas restricciones durante el propio proceso de creación.
El trabajo, publicado en Nature Computational Science, combina diferentes modelos de IA para proponer materiales cristalinos que no solo tengan determinadas propiedades útiles, sino que además posean una mayor probabilidad de resultar estables. La IA comprueba primero si la “receta” química tiene sentido CrysVCD utiliza dos componentes principales. El primero funciona como una especie de filtro químico y genera composiciones respetando mejor reglas fundamentales como el equilibrio de valencias, relacionado con la manera en que los electrones se distribuyen entre los átomos. Una vez seleccionada una composición plausible, entra en juego un modelo de difusión, una tecnología similar conceptualmente a la utilizada por algunos sistemas generativos de imágenes, pero aplicada en este caso a estructuras atómicas.
Su función consiste en determinar cómo podrían organizarse físicamente los átomos dentro de un cristal. En términos simples, la IA intenta comprobar primero que los ingredientes de una receta puedan combinarse razonablemente y solo después decide cómo colocarlos. Este orden resulta importante porque verificar mediante cálculos avanzados si una estructura es realmente estable constituye una de las partes más costosas del descubrimiento computacional de materiales. Hasta un 85% de los candidatos alcanzó criterios de metastabilidad Según los resultados presentados por el equipo, aproximadamente el 70% de las estructuras generadas alcanzó estabilidad dinámica de red en las evaluaciones computacionales.
Cuando el modelo fue ajustado específicamente utilizando métricas relacionadas con estabilidad, los investigadores obtuvieron alrededor de un 68% de estabilidad mecánica y un 85% de metastabilidad. Esto no significa que todos esos materiales puedan fabricarse inmediatamente en un laboratorio. Una estructura puede aparecer como estable en una simulación y, aun así, resultar extremadamente complicada o costosa de sintetizar. La ventaja está en reducir la cantidad de propuestas claramente inviables que deben atravesar las fases computacionales más exigentes. #AI can generate millions of materials, but the real breakthrough is generating materials that can work in the real world.
The CrysVCD by @MIT brings chemistry into AI design process, turning computational scale into practical materials #innovation . https://t.co/BU01L7kiHf Kiran Mazumdar-Shaw (@kiranshaw) August 27, 2026 El objetivo: encontrar mejores materiales para chips Los investigadores probaron CrysVCD buscando materiales con propiedades concretas, entre ellas alta conductividad térmica y elevada constante dieléctrica, dos características especialmente interesantes para la industria de los semiconductores. La capacidad de eliminar calor se ha convertido en un problema creciente a medida que aumenta la potencia de procesadores, centros de datos y sistemas utilizados para inteligencia artificial. Encontrar materiales capaces de conducir mejor ese calor podría contribuir a diseñar dispositivos más eficientes y reducir parte de la energía destinada a refrigerarlos. Además, disminuir el número de cálculos necesarios podría beneficiar especialmente a universidades y laboratorios con menor acceso a grandes infraestructuras informáticas.
La IA todavía necesita al laboratorio CrysVCD no elimina la fase experimental ni significa que una IA pueda producir automáticamente nuevos materiales comerciales. El trabajo se concentra en estructuras cristalinas ordenadas, y las predicciones deberán ser sintetizadas y comprobadas físicamente antes de conocer su verdadero comportamiento. Lo interesante es el cambio de enfoque. En lugar de generar enormes cantidades de posibilidades y eliminar después casi todas, el MIT propone introducir conocimiento químico dentro del propio proceso generativo.
Si la estrategia funciona a mayor escala, la IA podría transformar la búsqueda de nuevos materiales en un proceso mucho más dirigido, reduciendo parte del ensayo y error que todavía domina el diseño computacional de sustancias para chips, energía y nuevas tecnologías. Fuente: Ciencia.uy.