Un equipo del MIT ha desarrollado un modelo de inteligencia artificial capaz de relacionar directamente la geometría tridimensional de los cristales con sus propiedades, procesamiento y posibles aplicaciones. La investigación busca superar una limitación fundamental de los modelos de lenguaje: el mundo de los materiales no está hecho de palabras, sino de átomos organizados en el espacio.
La ciencia de materiales lleva años utilizando inteligencia artificial para proponer nuevas estructuras, pero buena parte de los modelos actuales dependen de textos científicos o de representaciones incompletas. El nuevo trabajo, presentado por investigadores del Massachusetts Institute of Technology (MIT) y publicado en Nature Communications, introduce una estrategia multimodal que permite al sistema trabajar simultáneamente con estructuras atómicas en tres dimensiones y con descripciones en lenguaje natural.
El problema: los materiales no caben en una frase
Los grandes modelos de lenguaje aprenden fundamentalmente a partir de secuencias de texto. Sin embargo, más del 90 % de los materiales sólidos de la Tierra son cristalinos y sus propiedades dependen de la posición tridimensional de los átomos, de sus enlaces y de la geometría de la red cristalina. Dos materiales con composiciones relacionadas pueden comportarse de manera muy diferente si sus átomos están organizados de otra forma.
El equipo del MIT creó un sistema capaz de vincular esa información geométrica con narrativas que describen composición, estructura, propiedades, condiciones de procesamiento y aplicaciones potenciales. Para entrenarlo emplearon tanto literatura experimental como bases de datos obtenidas mediante cálculos de primeros principios.
Una IA que relaciona forma y función
Los investigadores utilizaron aprendizaje contrastivo para enseñar al modelo a reconocer qué descripciones corresponden a determinadas estructuras y cuáles no. Después compararon una versión entrenada con las narrativas sintéticas enriquecidas con información estructural frente a otra basada solamente en textos de artículos científicos.
La diferencia fue importante: el sistema con información tridimensional aprendió a alinear geometría y lenguaje de una forma que el modelo puramente textual no consiguió. Según el MIT, también pudo responder consultas expresadas en lenguaje natural y recuperar materiales cristalinos que cumplían determinadas propiedades con mejores resultados que el modelo de referencia.
La prueba con baterías de estado sólido
Una de las pruebas resulta especialmente ilustrativa. Cuando los científicos pidieron al modelo materiales adecuados para electrolitos de baterías de ion-litio de estado sólido, entre las primeras respuestas aparecieron compuestos que ya habían sido identificados de manera independiente como candidatos prometedores.
Esto no significa que la inteligencia artificial pueda sustituir la fabricación y validación experimental de un material. El avance está en reducir el espacio de búsqueda: en vez de examinar a ciegas enormes cantidades de candidatos, los investigadores podrían utilizar sistemas capaces de razonar sobre estructura, propiedades y procesamiento antes de llevar las opciones más prometedoras al laboratorio.
Un posible cambio de escala para descubrir materiales
Ju Li, profesor de ingeniería del MIT y uno de los autores, compara el potencial del enfoque con la importancia que ha tenido AlphaFold al conectar estructuras de proteínas con su función. La analogía no implica que ambos sistemas resuelvan el mismo problema, sino que apunta a una ambición semejante: convertir la estructura tridimensional en información que una máquina pueda utilizar para hacer predicciones útiles.
El objetivo final es que un investigador pueda describir la propiedad que necesita —conductividad, estabilidad, resistencia u otra característica— y que el sistema encuentre estructuras cristalinas compatibles. Si el método escala a grandes familias de compuestos, podría acelerar el desarrollo de baterías, semiconductores, catalizadores y otros materiales avanzados.
La investigación fue difundida por el MIT el 18 de octubre de 2026 y cuenta con financiación parcial de la Defense Threat Reduction Agency de Estados Unidos, DARPA y la National Research Foundation of Korea.
CIENCIALA SOMBRA DEL AGUJERO NEGRO RESISTE UNA NUEVA PRUEBA
