✨︎ Resumen (TL;DR):
- Alibaba y la Academia DAMO lanzaron Elements Claw, un agente de IA que descubrió cuatro nuevos compuestos superconductores validados en laboratorio.
- El sistema analizó 2.4 millones de estructuras cristalinas en solo 28 horas de GPU, logrando una precisión predictiva del 99.6%.
- En un esfuerzo paralelo, el consorcio internacional SuperC identificó otros dos superconductores usando machine learning.
DAMO Academy, la división de investigación de Alibaba, presentó Elements Claw, el primer agente de inteligencia artificial diseñado para automatizar la búsqueda de materiales superconductores. Desarrollado junto con la Universidad Renmin de China y la Universidad de la Academia China de Ciencias, este sistema logró identificar cuatro nuevos compuestos superconductores que ya fueron sintetizados y validados con éxito en laboratorios.
La búsqueda científica tradicional de superconductores solía depender de la intuición y de un lento proceso de prueba y error. Sin embargo, este nuevo desarrollo demuestra cómo la inteligencia artificial puede acelerar radicalmente el descubrimiento de materiales de alta tecnología.
Elements Claw es un agente de inteligencia artificial que automatiza la búsqueda y predicción de nuevos materiales superconductores. Para lograr este hito, la herramienta utilizó únicamente 28 horas de GPU, tiempo en el que evaluó 2.4 millones de estructuras cristalinas y filtró 68,000 materiales candidatos.
A partir de estas predicciones, los científicos lograron sintetizar físicamente cuatro compuestos inéditos: Hf21Re25 (un compuesto recuperado de bases de datos existentes), Zr4VRe7 (cuya estructura cristalina original estaba mal registrada), HfZrRe4 (un material completamente nuevo generado de forma autónoma por la IA) y Zr3ScRe8 (obtenido mediante razonamiento analógico). El material con el mejor rendimiento registró una temperatura crítica de 6.5 K.
El motor detrás del descubrimiento científico
El sistema de Alibaba funciona mediante una arquitectura de integración especializada que se apoya en un modelo fundacional atómico de mil millones de parámetros. Este modelo fue previamente entrenado con 125 millones de estructuras moleculares y cristalinas.
Gracias a este entrenamiento, la herramienta alcanza un área bajo la curva (AUC) de 0.996 al predecir superconductividad, estimando las temperaturas críticas con un margen de error promedio de menos de 1 K.
Rong Yu, director de inteligencia científica en la Academia DAMO, detalló que estos compuestos representan “el primer lote de materiales superconductores descubiertos por un agente de IA y posteriormente validados experimentalmente”. Para impulsar el avance de la física de materiales, el equipo decidió abrir el código y liberar la base de datos completa para su uso académico.
Kagome: el otro frente de la superconductividad artificial
Casi de forma simultánea, el consorcio internacional SuperC, liderado por la profesora Päivi Törmä de la Universidad de Aalto, anunció el descubrimiento de otros dos superconductores tipo kagome utilizando machine learning: el YRu3B2 y el LuRu3B2.
Estos materiales reciben su nombre de una geometría de red inspirada en el tejido de canastas tradicionales de Japón, donde los electrones forman bandas planas para facilitar la superconductividad. El objetivo de este consorcio es ambicioso: usar machine learning y física cuántica para lograr la superconductividad a temperatura ambiente para el año 2033.
“Los nuevos superconductores ahora se pueden encontrar mucho más rápido”, señaló Törmä tras la publicación de sus resultados en la revista científica Physical Review Research. Ambos logros marcan una transición clara en la ciencia de materiales, donde los algoritmos inteligentes ahora guían los experimentos físicos más complejos del planeta.
