Hace apenas unos años, la inteligencia artificial (IA) irrumpió en el mundo de la ciencia de materiales con una promesa casi revolucionaria: descubrir, en cuestión de meses, más compuestos que los identificados en siglos de investigación tradicional. En 2022, la compañía DeepMind (filial de Google) anunció que su sistema había generado una lista de 2,2 millones de materiales cristalinos hipotéticos. La noticia se presentó como el inicio de una nueva era.
Decepciones
Los resultados parecían espectaculares: entre ellos había más de 52 000 materiales en capas con posibles aplicaciones parecidas al grafeno, o 528 conductores de iones de litio que podrían mejorar las baterías recargables. Sin embargo, muy pronto llegaron las críticas. Muchos de esos compuestos eran en la práctica imposibles de utilizar, ya fuera porque requerían elementos radiactivos escasos como el prometio o el protactinio, o porque reproducían estructuras ya conocidas bajo un nuevo disfraz. Como señaló un investigador, “una cosa es descubrir un mate rialy otra muy distinta es descubrir un material funcional”.
No fue un caso aislado. Otras iniciativas de grandes tecnológicas como Microsoft o Meta corrieron la misma suerte: entre la euforia inicial y la revisión posterior, muchas propuestas resultaron ser inviables, poco originales o exageradas.
El problema de los materiales “soñados” por la IA
La clave del desencanto es que la IA puede generar estructuras cristalinas estables en teoría, pero la realidad de un laboratorio es mucho más compleja. Un cálculo computacional puede predecir un cristal perfecto y ordenado, cuando en realidad, a temperaturas normales, los materiales suelen presentar desorden atómico. Este detalle, lejos de ser menor, puede transformar radicalmente las propiedades de un material.
Por ejemplo, el sistema GNoME de DeepMind predijo cientos de miles de compuestos que parecían estables. Sin embargo, estudios posteriores demostraron que más del 80 % de ellos probablemente serían desordenados al sintetizarse, con propiedades muy distintas a las calculadas. Algo similar ocurrió con los intentos de Meta de encontrar materiales porosos capaces de capturar CO₂ directamente del aire: el entusiasmo inicial se apagó al comprobar que, en la práctica, esas estructuras no tenían la capacidad anunciada.
Donde sí hay avances
Aunque las críticas son justificadas, no todo son promesas incumplidas. La IA también ha aportado resultados concretos. DeepMind informó de que más de 700 de los compuestos sugeridos por GNoME fueron posteriormente sintetizados por otros laboratorios, validando al menos una parte de sus predicciones. Entre ellos destacan nuevos compuestos basados en cesio, que podrían aplicarse en optoelectrónica y almacenamiento de energía.
Otro caso interesante es el del proyecto A-Lab, un laboratorio robótico capaz de leer miles de artículos científicos para aprender “recetas” de síntesis. Alimentado con predicciones de compuestos inorgánicos, A-Lab logró producir varios de ellos de forma autónoma, ajustando condiciones de laboratorio hasta dar con el resultado correcto. Aunque algunos críticos señalaron que no todos eran materiales inéditos, el experimento demostró que la IA no solo puede predecir, sino también fabricar.
Microsoft, por su parte, desarrolló MatterGen, un modelo que no se limita a generar compuestos al azar, sino que busca materiales con propiedades específicas, como cierta dureza. Aunque su primer resultado (un óxido de tántalo y cromo) ya era conocido desde 1972, el experimento sirvió como prueba de concepto: es posible orientar a la IA hacia objetivos concretos y útiles.
Además, hay empresas como Citrine Informatics, que aplican IA no para inventar materiales desde cero, sino para optimizar procesos industriales ya existentes. Su sistema ayuda a mejorar costes, sostenibilidad y rendimiento en grandes compañías químicas, demostrando que el verdadero valor de la IA puede estar tanto en perfeccionar lo conocido como en soñar con lo nuevo.
Un futuro prometedor, pero con humildad
Lo que queda claro es que la IA no es una varita mágica capaz de crear materiales revolucionarios con un clic. El entusiasmo inicial generó titulares grandilocuentes —como que la IA había multiplicado por diez el número de materiales conocidos—, pero la realidad ha demostrado que la colaboración con químicos experimentales y una buena dosis de humildad científica son esenciales.
La IA puede acelerar procesos que antes eran lentísimos. Antes, simular un nuevo compuesto con métodos como la teoría del funcional de la densidad (DFT) podía requerir semanas de cálculo intensivo en un superordenador. Hoy, una red neuronal entrenada puede evaluar miles de candidatos en cuestión de horas y señalar cuáles merecen el esfuerzo experimental.
En otras palabras, la IA está convirtiéndose en un filtro poderoso, capaz de reducir listas enormes de materiales hipotéticos a un grupo más manejable de candidatos reales. Incluso cuando los materiales obtenidos no coinciden exactamente con las predicciones, suelen dar lugar a prototipos útiles que abren nuevas líneas de investigación.
Reflexión
La historia de los materiales está llena de descubrimientos accidentales y avances inesperados: del bronce a los aceros inoxidables, del teflón al grafeno. Ahora, la IA se suma como una herramienta más en ese camino. Ha tenido tropiezos —desde propuestas imposibles con elementos radiactivos hasta sobreestimaciones en la captura de CO₂—, pero también ha entregado logros reales, como nuevos compuestos de interés tecnológico y sistemas robóticos de síntesis.
La lección es clara: la IA no sustituye al laboratorio, pero puede guiar a los investigadores hacia direcciones prometedoras. Con ajustes en sus modelos, integración de datos más realistas y la colaboración constante con la química experimental, lo que hoy parecen exageraciones podría transformarse en avances tangibles.
En definitiva, no estamos ante un fracaso ni ante una revolución instantánea, sino ante una herramienta en plena maduración. Y si algo enseña la historia de la ciencia de materiales es que los cambios verdaderos se miden no en meses, sino en décadas. La IA ya ha abierto la puerta: ahora depende de los investigadores cruzarla con prudencia e ingenio.
