Cinco problemas no resueltos en ciencia de materiales, un fondo de un millón de dólares y la hipótesis de que la inteligencia artificial podría donde la física teórica ha fallado durante décadas. Esa es la apuesta que una startup respaldada por Y Combinator acaba de formalizar, estableciendo un esquema de recompensas para acelerar el avance científico en uno de los cuellos de botella más críticos para la industria de semiconductores.

Discovered Materials, con sede en San Francisco, identificó junto a un grupo asesor de académicos de universidades de primer nivel cinco problemas abiertos en física de materiales: una teoría que explique la superconductividad de los cupratos, un método numérico para predecir la estructura de interfaces entre silicio y dióxido de silicio, un método que relacione estructura de grano con propiedades térmicas, una teoría que prediga cómo la luz altera el comportamiento de los materiales, y un método que mejore la Teoría del Funcional de la Densidad. Cada uno representa un obstáculo real para diseñar materiales más eficientes en electrónica avanzada, almacenamiento de energía y manufactura de chips.

Por qué la IA no ha podido resolver esto aún

A diferencia de dominios como las matemáticas —donde los problemas tienen definiciones precisas y verificables—, la ciencia de materiales opera con fenómenos difusos, datos experimentales incompletos y física que aún no tiene formulación teórica cerrada. Advaith Sridhar, cofundador de la empresa, reconoce que los agentes de IA probados en laboratorios de vanguardia, con acceso a internet y recursos computacionales, no lograron avances significativos en estos problemas. Felipe Jornada, profesor de Stanford e integrante del grupo asesor, confirma que hay fenómenos en ciencia de materiales que simplemente no pueden explicarse con los marcos teóricos actuales.

Esa limitación no es menor: implica que los modelos de lenguaje y los sistemas de IA generativa actuales no están resolviendo ciencia de frontera por sí solos, sino que requieren marcos de referencia más rigurosos para medir su progreso real. El fondo de recompensas funciona precisamente como ese marco: establece metas de referencia (benchmarks) verificables que permiten evaluar si los modelos más avanzados —incluyendo los desarrollados por laboratorios como OpenAI o Anthropic— pueden superar barreras que los investigadores humanos no han podido cruzar.

Implicaciones para la cadena de valor de semiconductores

Resolver cualquiera de estos cinco problemas tendría consecuencias concretas para la industria. Comprender mejor las interfaces silicio-dióxido de silicio, por ejemplo, afecta directamente el diseño de transistores en nodos avanzados. Mejorar la Teoría del Funcional de la Densidad ampliaría la capacidad de simular materiales antes de fabricarlos, reduciendo ciclos de desarrollo y costos de experimentación. En un contexto donde la escasez de materiales avanzados es un factor de riesgo para la cadena de suministro de chips, acelerar el descubrimiento científico tiene valor estratégico medible.

Más allá del resultado inmediato, el modelo de recompensas científicas representa un cambio en cómo se financia y orienta la investigación de frontera: en lugar de subvencionar equipos o instituciones, se incentiva el resultado verificable. Esa lógica —pagar por soluciones, no por esfuerzo— es coherente con la forma en que operan los mercados tecnológicos, y podría convertirse en un mecanismo replicable para otros cuellos de botella científicos donde la IA tiene potencial pero aún no ha demostrado capacidad real.