Descubrir un nuevo material que pueda ser usado en dispositivos electrónicos puede parecerse a buscar una aguja en un pajar. Aquí entra en juego un equipo de investigadores de la Universidad Nacional de Seúl, que ha demostrado cómo la inteligencia artificial puede ayudar en este sentido, combinando información dispersa en cientos de artículos científicos con modelos de aprendizaje profundo automático basados en principios físicos para encontrar nuevos materiales dieléctricos sin plomo capaces de mantener su rendimiento a altas temperaturas.Los materiales dieléctricos son aislantes que impiden el flujo directo de la electricidad, pero que al mismo tiempo pueden almacenar carga eléctrica. Por esta razón, son muy importantes en componentes como los condensadores cerámicos multicapa, presentes en móviles, vehículos eléctricos y muchos dispositivos electrónicos. En estos componentes, una constante dieléctrica elevada permite almacenar más energía en un espacio determinado. No obstante, no basta con conseguir un valor elevado: el material también debe conservar unas propiedades estables cuando aumenta la temperatura.La IA transforma la búsqueda de nuevos materiales electrónicos Cada vez son más los laboratorios que hacen uso de la IAEl problema es que existen millones de combinaciones químicas potencialmente interesantes. Los métodos tradicionales basados en el ensayo y error pueden resultar especialmente lentos y costosos, sobre todo cuando se buscan materiales capaces de funcionar en entornos de alta temperatura. Además, buena parte del conocimiento necesario ya está en los libros, pero se encuentra fragmentado entre textos, tablas y gráficos de cientos de publicaciones. Las condiciones experimentales tampoco son siempre iguales, ya que pueden variar la temperatura, la frecuencia de medición, las características de las muestras o los métodos de procesamiento.Para facilitar todo este proceso, el equipo dirigido por el profesor Ho Won Jang, del Departamento de Ciencia e Ingeniería de Materiales de la Universidad Nacional de Seúl, utilizó inteligencia artificial para convertir ese conocimiento en una base de datos de fácil acceso. Los investigadores aplicaron técnicas de minería multimodal capaces de extraer información de textos, tablas y gráficos. Los modelos de lenguaje ayudaron a identificar composiciones químicas y condiciones de procesamiento, mientras que los gráficos fueron transformados en datos numéricos para recuperar información sobre cómo cambiaban las propiedades dieléctricas con la temperatura. Ana Botín, presidenta de Banco Santander y Universia: «la IA no sólo está transformando cómo trabajamos, sino cómo aprendemos, colaboramos y generamos oportunidades para más personas»El resultado fue una colección de 1.202 registros obtenidos de 448 artículos científicos. Para hacer que los datos fueran comparables, los investigadores incorporaron también 22 descriptores físicos relacionados con la composición de los elementos y la microestructura de los materiales. Sobre esta información crearon un sistema con un enfoque que no se limita a encontrar correlaciones estadísticas, sino que incorpora restricciones físicas para descartar combinaciones poco realistas.La estrategia utilizada fue el diseño inverso. En lugar de comenzar con materiales conocidos y estudiar qué propiedades podían ofrecer, los investigadores partieron de las características que querían conseguir y utilizaron la IA para buscar hacia atrás las composiciones que podían cumplir esos objetivos. Para mejorar la fiabilidad de las predicciones, combinaron 30 modelos de aprendizaje automático entrenados de manera independiente. El sistema no solo calculaba las propiedades esperadas, sino que también analizaba el grado de acuerdo entre los distintos modelos, dando prioridad a las predicciones con mayor consistencia. De 150 millones de composiciones a solo 37 candidatos Rendimiento térmico de los dieléctricos sin plomoEn cuanto a la magnitud de la reducción, resulta muy llamativa. De un espacio químico virtual de aproximadamente 150 millones de composiciones posibles, el sistema consiguió reducir la búsqueda a solo 37 candidatos. Los investigadores seleccionaron posteriormente dos formulaciones para sintetizarlas y comprobarlas en el laboratorio. Ambas demostraron tener constantes dieléctricas elevadas y una notable estabilidad a temperaturas altas.Los materiales contenían pequeñas cantidades de estaño, con sustituciones del 1 % y el 2 %. A temperatura ambiente alcanzaron constantes dieléctricas de 3.422 y 3.307, respectivamente. La incorporación de una cantidad reducida de estaño permitió mejorar la estabilidad térmica sin provocar una pérdida importante de la capacidad de almacenamiento eléctrico. En comparación con el titanato de bario, uno de los materiales ampliamente utilizados en los condensadores cerámicos multicapa, las nuevas composiciones conservaron sus propiedades dieléctricas de forma más consistente en un intervalo de temperaturas más amplio.El estaño, clave para mejorar la estabilidad térmica Comparación de rendimiento y estabilidad térmica de los nuevos materialesLa inteligencia artificial también ayudó a explicar por qué el estaño mejoraba el comportamiento del material. Mediante técnicas experimentales como microscopía de fuerza de respuesta piezoeléctrica, espectroscopia Raman y microscopía electrónica de resolución atómica, el equipo observó que pequeñas cantidades de estaño expanden la estructura cristalina y aumentan la heterogeneidad eléctrica a escala atómica. Estos cambios parecen contribuir a una mayor estabilidad frente a las variaciones de temperatura.Dejando de lado los materiales descubiertos, el verdadero alcance del trabajo está en el método. La investigación muestra que la IA puede convertirse en una herramienta para aprovechar décadas de conocimiento científico que, hasta ahora, resultaba difícil de integrar automáticamente. En lugar de utilizar únicamente grandes cantidades de datos estructurados, el sistema es capaz de recuperar información de formatos muy distintos y combinarla con conocimientos físicos para orientar la búsqueda.Este trabajo representa un ejemplo de cómo la inteligencia artificial está cambiando la investigación de materiales. No se trata simplemente de pedir a un algoritmo que prediga qué material funcionará mejor, sino de utilizarlo para conectar información científica fragmentada, aplicar restricciones basadas en la física y reducir drásticamente el número de experimentos necesarios. Pasar de 150 millones de posibilidades a 37 candidatos y validar dos de ellos en el laboratorio deja claro hasta qué punto la IA puede convertir una búsqueda prácticamente inabarcable en un proceso viable.