Investigadores del MIT desarrollaron un modelo de inteligencia artificial capaz de interpretar la estructura atómica tridimensional de los materiales y relacionarla con descripciones en lenguaje natural. El sistema permite identificar compuestos con propiedades específicas a partir de consultas textuales simples, lo que podría comprimir significativamente los ciclos de investigación en ciencia de materiales, un proceso que históricamente toma años y consume recursos considerables.

El hallazgo fue publicado en la revista Nature Communications y representa un avance metodológico frente a los modelos de IA convencionales, que operan exclusivamente con texto y no pueden procesar estructuras cristalinas tridimensionales. Esto es relevante porque los cristales constituyen más del 90% de los materiales sólidos en la Tierra, y su comportamiento depende directamente de la disposición espacial de sus átomos, una dimensión que los modelos basados solo en literatura científica no logran capturar.

Aprendizaje contrastivo como diferenciador técnico

El equipo combinó representaciones 3D de estructuras cristalinas con narrativas generadas sobre sus propiedades, composición química, condiciones de procesamiento y aplicaciones potenciales. En lugar de depender únicamente de publicaciones experimentales existentes —que tienden a concentrarse en tipos específicos de cristales—, el modelo genera descripciones propias para enriquecer su entrenamiento.

El método de aprendizaje contrastivo entrena al sistema comparando ejemplos similares y distintos de estructuras y descripciones, estableciendo conexiones entre la geometría atómica y el lenguaje que la describe. Al validar dos versiones del modelo —una entrenada con narrativas generadas por IA y otra solo con textos científicos—, la primera mostró relaciones significativamente más precisas entre geometrías cristalinas y descripciones lingüísticas.

Validación en baterías de estado sólido

Una de las pruebas más concretas del modelo se realizó en la búsqueda de electrolitos para baterías de estado sólido. Al recibir una consulta en lenguaje natural sobre materiales adecuados para electrolitos de litio, el sistema identificó compuestos que investigaciones independientes ya habían reconocido como relevantes. Este resultado valida la capacidad del modelo para operar como herramienta de prospección científica, no solo de clasificación.

Para sectores como energía, manufactura avanzada y tecnología, la implicación es directa: reducir el tiempo de identificación de materiales funcionales significa acortar el ciclo entre investigación y aplicación industrial. En mercados donde la transición energética y la electrificación de procesos están redefiniendo cadenas de valor, contar con herramientas que aceleren el desarrollo de materiales de nueva generación representa una ventaja competitiva tangible.