¿Puede la inteligencia artificial diseñar nuevos materiales?

¿Es posible que la inteligencia artificial nos ayude a diseñar nuevos materiales? A mediados de 2018 se publicó en la revista Science Advances un artículo prometedor. Un equipo de investigadores habían descubierto, de “forma acelerada”, vidrios metálicos. Para ello habían usado aprendizaje automático.

Uno de los grandes retos de la ingeniería de materiales es dar con la sustancia adecuada para determinada función dadas ciertas propiedades que el material ha de cumplir. Por ejemplo, ¿qué material podría sustituir al hormigón? ¿Cómo podemos diseñar asfalto más sostenible?

Como destacaban los autores en el abstract, “buscar en el vasto espacio combinatorio [de la combinación de materiales] es frustrantemente lento y costoso”, y se hace necesaria una nueva forma de localizar materiales adecuados. Esa nueva forma es la inteligencia artificial.

¿Cómo puede la inteligencia artificial localizar nuevos materiales?

Todos los materiales que existen pueden virtualizarse como un conjunto de datos. La aleación de acero, por ejemplo, es una proporción determinada de hierro más carbono (y algún otro elemento), más un proceso específico de obtención, más una estructura determinada. Es decir, una ‘composición química’ sumada a cierta organización interna y proceso de fabricación.

Este conjunto de datos dan lugar a otro conjunto diferente de propiedades que se pueden llamar ‘propiedades del material’. Entre ellas están la viscosidad, el punto de fusión, la resistencia a la compresión, la fluidez, la conductividad, etc. Las propiedades del material son una función de la composición o, dicho de otro modo, cada composición dará lugar a una serie de propiedades.

propiedades = f(composición)

La caracterización de materiales, que es como se llama el estudio de las propiedades de estos, lleva varios siglos conformando tablas como la de arriba. En ella se observa, para el porcentaje de carbono sobre hierro, la resistencia a tracción del acero. Cada porcentaje de carbono se traduce en una resistencia distinta.

Sin embargo, estas tablas están muy limitadas. ¿Tiene la misma resistencia un acero semisuave de 0,31 % de carbono que uno al 0,39 %? Obviamente, no. No es una función discreta, sino continua. El problema es que la obtención de cada uno de los datos discretos es costoso porque hay que fabricar el material y probarlo. Por eso las tablas son tablas y no fórmulas.

Durante varios siglos la estadística ha ido cubriendo los huecos desconocidos usando técnicas de interpolación —por ejemplo, el acero al 0,2 % debe estar entre 35 y 45 kg/mm², así que unos 40 kg/mm² es una cifra admisible—, pero a medida que aparecen nuevos materiales y se alcanzan sus límites, las pruebas se vuelven más y más costosas.

Es aquí donde entra en juego la inteligencia artificial, capaz de ‘rellenar’ huecos de tablas con materiales que nunca se han llegado a producir, prediciendo propiedades con base en lo que se sabe de otros materiales, e incluso desarrollando nuevas tablas por sí sola.

La IA que tardó dos horas en construir la tabla periódica

La tabla periódica es uno de los mayores logros del ser humano a la hora de contextualizar la materia. En 1869 el químico ruso Dmitri Mendeléyev publicó su tabla ante la Sociedad Química Rusa, y esta fue evolucionando con los años a medida que se descubrían nuevos elementos.

Tabla periódica de Dmitri Mendeléyev (1871)

Esta tabla logró algo increíble. No solo consiguió ordenar la materia conocida, sino que fue capaz de hacer predicciones de elementos que no se conocían, basándose en las propiedades químicas que quedaban sin ocupar en la tabla. Las primeras tentativas de tabla periódica datan de 1780 y hemos tardado casi 250 años en conformarla y pulirla.

De ahí que sea tan fascinante observar a inteligencias artificiales como Atom2Vec a descomponer una lista de nombres de compuestos químicos y dibujar, ella sola y en dos horas, una tabla periódica con las propiedades básicas de cada elemento. Además, lo hizo no en forma de ‘tabla’ tal y como la conocemos, sino de espacio vectorial (que los humanos no sabemos leer sin herramientas).

¿Qué se ha logrado hasta ahora en ‘materiales-IA’?

Abríamos el artículo señalando una publicación sobre nuevos vidrios metálicos descubiertos mediante aprendizaje automático. Para entender su potencial basta con tener en cuenta que, si durante los últimos 50 años se habían probado unas 6000 nuevas combinaciones para formar distintos vidrios metálicos, durante el primer año de aprendizaje automático se probaron 20 000 permutaciones.

Las posibilidades que ofrece la inteligencia artificial son inmensas. Solo durante los últimos años se han descubierto nuevos híbridos de vidrio y metal, nuevas propiedades de materiales bidimensionales como el grafeno, nuevos electrolitos para baterías eléctricas o el análisis de nuevas estructuras de silicio-germanio que funcionan mejor térmicamente que las actuales.

La lista crece cada día, y hace tiempo que esta disciplina dejó de ser algo de laboratorio. Las nuevas aleaciones de aluminio ya se usan en aplicaciones como automóviles o buques a presión. Solo hace un par de años que herramientas de machine learning ‘peinan’ la base de datos de PoLyInfo, pero ya se han descubierto decenas de miles de líneas de investigación prometedoras.

No cabe duda de que la inteligencia artificial va a transformar la forma en que se obtienen nuevos materiales, lo que a su vez desemboca en nuevos retos. Si antes de la IA la mayor dificultad radicaba en el coste de las pruebas de los materiales o en determinar sus propiedades; en la era de la IA los retos son la potencia de cálculo, la calidad de los datos o el filtrado de la información.