Los investigadores han recurrido a la inteligencia artificial para resolver un problema que ha molestado a los científicos de los materiales durante décadas: cómo descubrir eficientemente nuevos materiales que pueden superar la batería de iones de litio reinante. Un estudio innovador publicado en Informes de células Ciencias físicas Revela una nueva y poderosa metodología impulsada por la IA que ya ha identificado cinco nuevos candidatos materiales, potencialmente acelerando el movimiento hacia un futuro posterior al litio con baterías más duraderas, más seguras y más sostenibles ambientalmente sostenibles.
El gran cuello de botella de la batería: una aguja en un pajar
A pesar de toda su ubicuidad, las baterías de iones de litio tienen limitaciones. La dependencia de metales de tierra rara como el litio y el cobalto presenta riesgos significativos de la cadena de suministro y preocupaciones ambientales. Además, la tecnología se acerca a una meseta en términos de densidad y rendimiento de la energía. Los científicos han teorizado durante mucho tiempo que los materiales conocidos como Óxidos de metal de transición (TMOS) celebra una inmensa promesa. Sus estructuras cristalinas versátiles y su alta conductividad iónica los convierten en candidatos ideales para baterías que usan iones abundantes y multivalentes como zinc, magnesio y aluminio en lugar de litio.
El desafío, sin embargo, es monumental. El número de posibles estructuras TMO, que combina varios elementos en diferentes proporciones y configuraciones, es astronómicamente vasta. Explorarlos con métodos experimentales tradicionales o incluso técnicas computacionales estándar como la teoría funcional de densidad (DFT) es un problema clásico de «aguja en un pajar», prohibitivamente lento y costoso. Es este cuello de botella que la nueva investigación tiene como objetivo romper con un marco de IA generativo sofisticado y doble punta.
Un marco dual de IA para el descubrimiento acelerado
En lugar de confiar en un solo modelo, los investigadores diseñaron un sistema sinérgico donde se usaron dos tipos diferentes de IA generativa para explorar el espacio químico desde diferentes ángulos. Este enfoque garantiza una búsqueda más completa y robusta de nuevos materiales viables.
El primer componente es un Autoencoder variacional de difusión cristalina (CDVAE). Este modelo fue diseñado para ser el explorador creativo. Fue entrenado en un conjunto de datos masivo de más de 44,000 estructuras TMO conocidas, lo que le permitió aprender las «reglas» fundamentales de cómo se forman los cristales estables. Luego, los CDVAE usan este conocimiento para generar una amplia diversidad de nuevas estructuras cristalinas plausibles, muchas de las cuales nunca antes se habían visto. En el estudio, generó un grupo inicial de 10,000 candidatos, demostrando su poder en la exploración de una amplia gama de configuraciones novedosas.
El segundo componente es un ajuste lModelo de lenguaje Arge (LLM)específicamente una versión del modelo Llama-3.1 de Meta. Si bien generalmente asociamos LLM con texto, los investigadores lo adaptaron hábilmente al lenguaje de la química. Convertieron estructuras de cristal complejas en secuencias de texto tokenizadas que el LLM podría procesar. La fuerza del modelo no se encuentra en una exploración amplia, sino en precisión. Se destaca en la generación de estructuras que están muy cerca del equilibrio termodinámico, lo que significa que son altamente estables y es más probable que sean sintetizables en un laboratorio. Este modelo también produjo 10,000 estructuras, pero se concentraron en una región más estrecha y estable del espacio químico.
Una vez que se generaron estas decenas de miles de candidatos, se pasaron a un tercer modelo de IA, una herramienta de aprendizaje automático hacia adelante llamado Alineaciónque actuó como un filtro de detección rápido. Rápidamente predijo propiedades cruciales para cada estructura, como su energía de formación, brecha de banda y «energía sobre el casco» (una métrica clave para la estabilidad), lo que permite a los investigadores descartar a los candidatos no prosperantes y centrarse solo en los más viables.
Comparación de los creadores de IA: estabilidad versus novedad
Uno de los resultados más fascinantes del estudio fue la clara diferencia en los materiales generados por los dos modelos. El LLM produjo un porcentaje mucho más alto de estructuras que se consideraron termodinámicamente estables, con un valor de «energía por encima del casco» por debajo del umbral de 0.08 eV/átomo. Específicamente, el 46% de sus candidatos filtrados eran estables, en comparación con solo el 15% de las CDVAE.
Sin embargo, esto no cuenta toda la historia. Mientras que las creaciones de la LLM eran más estables «fuera de la caja», la Cdvae produjo una gama mucho más amplia de estructuras con mayor diversidad estructural. Su capacidad para generar materiales con grupos espaciales de menor simetría le permitió encontrar configuraciones únicas que, aunque inicialmente menos estables, tenían el potencial de relajarse en mínimos de energía aún más profundos que cualquier cosa que encontrara el LLM. Esto sugiere que las CDVAE son superiores para descubrir fases verdaderamente novedosas y de energía profunda que podrían sintetizarse en condiciones específicas de no equilibrio.
Esta compensación es crucial: la LLM es mejor para encontrar materiales que sean fáciles de hacer, mientras que las CDVAE son mejores para encontrar materiales potencialmente innovadores que puedan requerir técnicas de síntesis más avanzadas.
El avance: cinco nuevos TMO para baterías de próxima generación
El último triunfo del proyecto provino del modelo CDVAE, que generó con éxito cinco nuevas estructuras basadas en TMO con propiedades ideales para baterías de iones multivalentes. Estos materiales, incluidas composiciones como Cusn₂of₈ y Ca₄o₂in₂cuentan con los grandes marcos de túnel abierto que son esenciales para permitir que los iones más grandes se muevan a través del electrodo de manera eficiente y segura.
Para confirmar la viabilidad de estos descubrimientos, el equipo realizó cálculos de dispersión de fonones en una estructura representativa, Ca₄o₂in₂. Los resultados no mostraron inestabilidades de red, confirmando su estabilidad dinámica. Aunque se considera metaestable, su estructura es sólida, abriendo la puerta a su síntesis potencial. Este paso valida que la IA no solo está generando fantasías teóricas, sino materiales físicamente plausibles dignos de búsqueda experimental.
