MIT researchers have developed a generative AI model called DiffSyn that assists scientists in synthesizing complex materials, particularly zeolites. This innovative model provides accurate synthesis pathways, significantly speeding up the material discovery process by suggesting optimal reaction conditions. By training on over 23,000 material synthesis recipes from scientific literature, DiffSyn can efficiently navigate the complexities of materials synthesis, which traditionally relies on trial and error. The breakthrough aims to enhance catalysis and absorption processes, potentially transforming how new materials are created in various fields. For more details, visit the full article at https://biblioteca.cibeles.net/how-generative-ai-can-help-scientists-synthesize-complex-materials/.
Los modelos de inteligencia artificial generativa han demostrado su capacidad para crear vastas bibliotecas de materiales teóricos, lo que podría ser clave para abordar diversos desafíos científicos. Sin embargo, el verdadero reto radica en la síntesis de estos materiales.
La creación de nuevos materiales no se asemeja a seguir una receta culinaria; factores como la temperatura y el tiempo de procesamiento pueden influir drásticamente en las propiedades del material, limitando así la capacidad de los investigadores para experimentar con millones de opciones generadas por modelos computacionales.
Investigadores del MIT han desarrollado un modelo de inteligencia artificial denominado DiffSyn, que orienta a los científicos en el proceso de fabricación al sugerir rutas de síntesis prometedoras. En un estudio reciente, el equipo demostró que este modelo logra una precisión excepcional al predecir vías efectivas para sintetizar zeolitas, un tipo de material que tiene aplicaciones potenciales en catálisis, absorción e intercambio iónico. Siguiendo las recomendaciones del modelo, lograron sintetizar un nuevo material zeolita con estabilidad térmica mejorada.
El equipo considera que este avance podría eliminar uno de los principales obstáculos en el proceso de descubrimiento de materiales. “Es como si supiéramos qué tipo de pastel queremos hacer, pero no sabemos cómo hornearlo”, explica Elton Pan, autor principal y candidato a doctorado en el Departamento de Ciencia e Ingeniería de Materiales (DMSE) del MIT. “La síntesis de materiales se realiza actualmente a través del conocimiento especializado y ensayo y error.”
Las inversiones masivas en inteligencia artificial generativa han llevado a empresas como Google y Meta a construir extensas bases de datos repletas de recetas para materiales que, al menos en teoría, poseen características deseables como alta estabilidad térmica y absorción selectiva de gases. No obstante, la fabricación efectiva de estos materiales puede requerir semanas o meses debido a la necesidad de experimentar con temperaturas específicas, tiempos y proporciones adecuadas.
“Las personas confían en su intuición química para guiar el proceso”, añade Pan. “Los humanos son lineales; si hay cinco parámetros, podemos mantener cuatro constantes y variar uno linealmente. Pero las máquinas son mucho más eficaces razonando en espacios multidimensionales.”
El proceso actual para descubrir nuevos materiales suele ser el más prolongado desde la hipótesis hasta su aplicación práctica.
Para facilitar este proceso, los investigadores entrenaron un modelo generativo utilizando más de 23,000 recetas de síntesis recopiladas durante 50 años en publicaciones científicas. Durante el entrenamiento, se introdujo ruido aleatorio en las recetas, permitiendo al modelo aprender a eliminar ese ruido y encontrar rutas prometedoras para la síntesis.
El resultado es DiffSyn, que emplea un enfoque conocido como difusión dentro del ámbito de la inteligencia artificial. “Los modelos de difusión son esencialmente modelos generativos similares a ChatGPT, pero más parecidos al modelo DALL-E utilizado para generación de imágenes”, explica Pan. “Durante la inferencia, convierte el ruido en una estructura significativa al restar un poco del ruido en cada paso; aquí la ‘estructura’ corresponde a la ruta de síntesis deseada.”
Cualquier científico que utilice DiffSyn puede ingresar una estructura material deseada y recibir combinaciones sugeridas sobre temperaturas reactivas, tiempos y proporciones iniciales. “Básicamente te dice cómo hornear tu pastel”, afirma Pan. “Tienes una idea del pastel que quieres hacer; introduces eso en el modelo y este genera las recetas necesarias.”
Para probar su sistema, los investigadores utilizaron DiffSyn para sugerir nuevas rutas sintéticas para una zeolita—un material complejo que requiere tiempo considerable para cristalizarse antes de poder ser evaluado.
“Las zeolitas tienen un espacio sintético muy dimensional”, comenta Pan. “Además tienden a tardar días o semanas en cristalizarse; por lo tanto, encontrar rápidamente la mejor ruta sintética tiene un impacto mucho mayor comparado con otros materiales que cristalizan en horas.”
A través del uso del modelo DiffSyn, los investigadores lograron crear un nuevo material zeolita siguiendo las rutas sugeridas por la inteligencia artificial. Las pruebas posteriores indicaron que este material poseía una morfología prometedora para aplicaciones catalíticas.
“Los científicos han estado probando diferentes recetas sintéticas una por una”, señala Pan. “Eso resulta muy lento. Este modelo puede muestrear mil recetas en menos de un minuto y proporciona una buena estimación inicial sobre recetas sintéticas para nuevos materiales.”
A diferencia de enfoques anteriores donde se mapeaba cada material a una única receta—sin considerar múltiples métodos posibles—DiffSyn está diseñado para asociar estructuras materiales con diversas rutas sintéticas viables. Según Pan, esto refleja mejor la realidad experimental.
De cara al futuro, los investigadores creen que esta metodología podría adaptarse para entrenar otros modelos destinados a guiar la síntesis no solo de zeolitas sino también de marcos organometálicos y sólidos inorgánicos con múltiples vías sintéticas posibles.
"Este enfoque podría extenderse a otros tipos de materiales", concluye Pan. "Ahora mismo el desafío es encontrar datos fiables sobre diferentes clases materiales." El objetivo final sería integrar estos sistemas inteligentes con experimentos autónomos del mundo real y razonamiento basado en retroalimentación experimental para acelerar drásticamente el diseño material."
Este trabajo ha contado con el apoyo del MIT International Science and Technology Initiatives (MISTI), la National Science Foundation, Generalitat Valenciana, Office of Naval Research, ExxonMobil y la Agency for Science, Technology and Research en Singapur.