La inteligencia artificial transforma cómo descubrimos materiales. Los métodos tradicionales, que prueban y se equivocan, son lentos y no exploran bien las combinaciones químicas complejas. El diseño inverso con IA aprende cómo la estructura de un material determina sus propiedades, lo que permite buscar de forma rápida y guiada en espacios químicos enormes. Modelos generativos como los VAEs, las GANs o los de difusión ya son útiles, pero suelen trabajar con un solo tipo de dato. Esto limita su capacidad para captar toda la complejidad de un material, ya que sus propiedades surgen de la interacción entre su estructura, su comportamiento electrónico y su estabilidad termodinámica.


El aprendizaje multimodal combina información clave

Para superar esta limitación, surge el aprendizaje automático multimodal. Este enfoque combina distintos tipos de información, como datos estructurales, electrónicos, mecánicos y termodinámicos, en un solo modelo. Al integrar estas modalidades, se crea un espacio latente más completo y preciso. Este espacio representa mejor las reglas fundamentales que gobiernan la estabilidad y las propiedades de los materiales. Por lo tanto, los modelos multimodales pueden predecir con mayor exactitud y generar candidatos más viables y novedosos, acelerando el camino hacia aplicaciones en almacenamiento de energía, electrónica o dispositivos biomédicos.

MEIDNet genera perovskitas estables con alta eficacia

En este contexto se presenta MEIDNet, un modelo de IA multimodal que integra específicamente tres modalidades: información estructural, electrónica y termodinámica. El modelo usa redes neuronales avanzadas para codificar estructuras cristalinas y técnicas de aprendizaje contrastivo para alinear la información de las diferentes fuentes. Al aplicarlo a un conjunto de perovskitas, MEIDNet generó 140 estructuras candidatas. De estas, 19 resultaron ser estables, únicas y no presentes en las bases de datos conocidas, lo que supone un índice de éxito superior al 13%. Este porcentaje representa un récord para los enfoques multimodales en el campo de los materiales, demostrando cómo integrar datos diversos mejora la eficiencia para descubrir compuestos útiles.

Así que la próxima vez que tu batería dure más o un sensor médico sea más preciso, quizá agradezcas a un modelo que no eligió los átomos al azar.