🤖 AI

PeroMAS: A Multi-agent System of Perovskite Material Discovery

El artículo presenta PeroMAS, un sistema multiagente que integra herramientas específicas para perovskitas en protocolos de contexto de modelo (MCP) para automatizar el descubrimiento de materiales desde la búsqueda bibliográfica hasta la síntesis experimental, demostrando una mayor eficiencia y éxito en la identificación de candidatos que cumplen múltiples restricciones en comparación con enfoques tradicionales.

Autores originales: Yishu Wang, Wei Liu, Yifan Li, Shengxiang Xu, Xujie Yuan, Ran Li, Yuyu Luo, Jia Zhu, Shimin Di, Min-Ling Zhang, Guixiang Li

Publicado 2026-02-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yishu Wang, Wei Liu, Yifan Li, Shengxiang Xu, Xujie Yuan, Ran Li, Yuyu Luo, Jia Zhu, Shimin Di, Min-Ling Zhang, Guixiang Li

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que descubrir un nuevo material para paneles solares es como intentar cocinar el plato perfecto en una cocina gigante, pero con reglas extremadamente estrictas: debe ser delicioso (muy eficiente), no debe envenenar a nadie (bajo en plomo) y no debe echarse a perder en dos días (muy estable).

Hasta ahora, los científicos hacían esto "a prueba y error": mezclaban ingredientes, lo cocinaban, veían si funcionaba, y si no, empezaban de nuevo. Era lento, costoso y agotador.

PeroMAS es como un chef robot superinteligente que no solo cocina, sino que también investiga, planifica y verifica todo el proceso. No es un solo robot, sino un equipo de especialistas que trabajan juntos.

Aquí te explico cómo funciona este equipo, usando una analogía de una gran cocina de investigación:

1. El Jefe de Cocina (El Agente Meta)

Este es el director de orquesta. No mezcla ingredientes, pero tiene la visión global.

Su trabajo: Escucha lo que quieres (ej: "Quiero un panel solar que sea 50% menos tóxico pero que genere mucha energía").
Su magia: Divide esa tarea gigante en pequeños pasos y se los asigna a sus ayudantes. Si un intento falla, el Jefe analiza qué salió mal y cambia la estrategia para la siguiente ronda.

2. Los Cuatro Ayudantes Especializados (Los Agentes Funcionales)

El equipo de PeroMAS tiene cuatro "chefes" con habilidades muy específicas, todos conectados por un sistema de comunicación llamado MCP (como si todos tuvieran un walkie-talkie perfecto y acceso a las mismas recetas):

🕵️‍♂️ El Investigador (Miner Agent):
- Su rol: Es el bibliotecario y detective.
- Qué hace: En lugar de leer libros uno por uno, escanea millones de artículos científicos en segundos. Extrae datos ocultos como: "¿Qué temperatura usaron?", "¿Qué ingredientes mezclaron?". Crea una base de datos gigante de "lo que ya se sabe" para que no empieces desde cero.
🎨 El Diseñador Creativo (Designer Agent):
- Su rol: Es el inventor de recetas.
- Qué hace: Toma los datos del Investigador y el Jefe, y empieza a mezclar ingredientes nuevos en su mente. "¿Qué pasa si uso esta combinación de metales con este aditivo?". Genera cientos de recetas teóricas que podrían funcionar.
🔮 El Vidente (Emulator Agent):
- Su rol: Es el simulador de realidad virtual.
- Qué hace: Antes de que el Diseñador pida ingredientes reales, el Vidente "cocina" esas recetas en una computadora. Predice: "Si haces esto, el panel tendrá un 17% de eficiencia y durará 1000 horas". Ahorra tiempo y dinero filtrando las recetas que seguro van a fallar.
🧐 El Analista Crítico (Analyst Agent):
- Su rol: Es el inspector de calidad y el médico.
- Qué hace: Revisa los resultados del Vidente. Si una receta falla, el Analista dice: "El problema es que el estaño se oxida demasiado rápido". Sugiere cómo arreglarlo (quizás añadiendo un aditivo protector) y le dice al Jefe qué cambiar para la próxima ronda.

3. El Ciclo de Mejora (El Bucle de Retroalimentación)

Lo genial de PeroMAS es que no es un proceso lineal, es un bucle cerrado:

El Jefe pide una receta.
El Investigador busca datos.
El Diseñador crea opciones.
El Vidente simula el resultado.
El Analista encuentra los errores.
El Jefe usa esa información para pedir una mejor receta.

Se repite esto una y otra vez hasta encontrar la solución perfecta, todo en tiempo récord.

4. La Prueba Real (El "Wet-Lab")

Lo más impresionante del artículo es que no se quedaron solo en la computadora.

El sistema generó una receta para un panel solar de bajo contenido de plomo.
Los científicos humanos tomaron esa receta digital y la cocinaron en un laboratorio real.
Resultado: ¡Funcionó! El panel real tuvo un rendimiento del 17%, casi idéntico a lo que la computadora había predicho.

En resumen

PeroMAS es como tener un equipo de investigación compuesto por un bibliotecario, un chef, un vidente y un crítico, todos trabajando en equipo bajo la dirección de un jefe inteligente.

En lugar de que un científico pase años probando mezclas al azar, este sistema automatiza el descubrimiento, aprendiendo de los errores pasados y prediciendo el futuro, logrando crear materiales solares más eficientes, más baratos y menos tóxicos en una fracción del tiempo. Es el paso de "adivinar y probar" a "saber y crear".

1. Planteamiento del Problema

El descubrimiento de materiales de perovskita para celdas solares (PSCs) es un proceso científico complejo que involucra múltiples etapas: preparación de conocimientos, diseño, simulación de laboratorio seco (dry-lab) y experimentación de laboratorio húmedo (wet-lab).

Los enfoques actuales de Inteligencia Artificial (IA) para este campo presentan limitaciones significativas:

Modelos Discretos: Las soluciones basadas en Aprendizaje Automático (ML) suelen centrarse en tareas aisladas (como la predicción de propiedades) y no propagan restricciones físicas a través de todo el flujo de trabajo.
Optimización de un Solo Objetivo: La mayoría de los métodos optimizan una sola métrica (ej. eficiencia de conversión de potencia o PCE), ignorando trade-offs críticos como la estabilidad o la toxicidad.
Falta de Integración de Herramientas: Los Grandes Modelos de Lenguaje (LLM) poseen conocimiento interno pero carecen de la capacidad de invocar herramientas externas estables y especializadas para ejecutar tareas científicas complejas de extremo a extremo.
Ineficiencia: Los métodos tradicionales de "prueba y error" son lentos y costosos, y los sistemas existentes no logran cerrar el ciclo entre el diseño digital y la validación física.

2. Metodología: El Sistema PeroMAS

Los autores proponen PeroMAS, un sistema multi-agente jerárquico diseñado para orquestar todo el ciclo de vida de la investigación de perovskitas. La arquitectura se basa en el Protocolo de Contexto de Modelo (MCP) para encapsular herramientas especializadas.

Arquitectura del Sistema

El sistema consta de un Agente Meta y cuatro Agentes Funcionales que colaboran en un bucle de retroalimentación cerrado:

Agente Meta (Orquestador Central):
- Actúa como el planificador lógico.
- Transforma objetivos de usuario (ej. "alta eficiencia y baja toxicidad") en un flujo de trabajo ejecutable (Plan-Do-Check-Act).
- Gestiona la memoria histórica, evalúa el progreso y decide cuándo detener la iteración o reorientar la estrategia.
- Utiliza mecanismos de "Poda Adaptativa" para evitar tareas redundantes.
Agente Minero (Miner Agent):
- Función: Preparación de conocimientos.
- Acción: Realiza recuperación de literatura y extracción de datos no estructurados (de arXiv, ScienceDirect, etc.) para construir una base de conocimientos estructurada sobre composiciones, procesos y rendimiento.
Agente Diseñador (Designer Agent):
- Función: Diseño inverso y generación de hipótesis.
- Acción: Genera candidatos de composición, estructura y parámetros de proceso (ej. velocidad de centrifugado, temperatura) utilizando modelos generativos y filtros de factibilidad física. Traduce hipótesis abstractas en recetas experimentales concretas.
Agente Emulador (Emulator Agent):
- Función: Simulación de laboratorio seco (Dry-lab).
- Acción: Ejecuta screenings de alto rendimiento utilizando herramientas de predicción (Redes Neuronales de Grafos, modelos de regresión ML) para predecir propiedades intrínsecas (bandgap) y métricas de dispositivo (PCE, estabilidad T80). Proporciona estimaciones de incertidumbre.
Agente Analista (Analyst Agent):
- Función: Validación y análisis de mecanismos.
- Acción: Verifica la validez física de los candidatos (estequiometría, estructura cristalina) y realiza análisis de atribución (usando SHAP) para identificar los factores clave que limitan el rendimiento, cerrando el ciclo de retroalimentación para la siguiente iteración.

3. Contribuciones Clave

Primer Sistema Multi-Agente Especializado: Es la primera implementación que cubre el proceso completo de descubrimiento de perovskitas (desde la literatura hasta la síntesis física) en un sistema cerrado.
Integración mediante MCP: Estandariza la conexión entre agentes de IA y herramientas heterogéneas (APIs de bases de datos, modelos de simulación, herramientas de química computacional) mediante el Protocolo de Contexto de Modelo.
Validación en el Mundo Real: No se limita a simulaciones; el sistema se validó experimentalmente en un laboratorio físico.
Nuevo Benchmark (PeroMAS-Bench): Se construyó el primer conjunto de datos de evaluación jerárquico para el dominio de perovskitas, creado por expertos humanos, que incluye tareas atómicas y consultas multi-objetivo complejas.

4. Resultados y Validación Experimental

El sistema fue evaluado utilizando una variedad de modelos base (GPT-4o, Claude-4.5, DeepSeek-V3, etc.) y comparado con LLMs estándar y agentes autónomos generales.

Rendimiento del Sistema:
- Claude-4.5 logró el mejor rendimiento general (72.4% de completitud de tareas y alta validez experta).
- DeepSeek-V3 (modelo de código abierto) demostró un rendimiento comparable a los modelos propietarios en tareas de ejecución, superando a agentes generales como Manus.
- La arquitectura multi-agente superó a los agentes individuales en un 10.2% en rendimiento, demostrando que la descomposición jerárquica de tareas reduce la carga cognitiva y mejora la precisión.
Validación en Laboratorio Húmedo (Wet-Lab):
- Escenario: Se solicitó diseñar una celda solar de perovskita de bajo plomo con PCE $\ge$ 20% y estabilidad T80 > 1000h.
- Resultado: El sistema propuso una receta de mezcla Sn-Pb (reduciendo el contenido de plomo en un 50%) con aditivos duales ( $SnF_2$ y $EDAI_2$ ).
- Síntesis Física: Los expertos humanos sintetizaron el material siguiendo la receta de PeroMAS.
- Rendimiento Medido: Se logró una eficiencia de conversión de potencia (PCE) del 17%, con una estabilidad y toxicidad alineadas con las predicciones. Este resultado cayó estrictamente dentro del rango predicho por la simulación (16%-19%), demostrando una consistencia excepcional entre el "dry-lab" y la realidad física.

5. Significado e Impacto

El trabajo de PeroMAS representa un avance fundamental en la intersección de la IA y la ciencia de materiales:

Cierre del Ciclo de Descubrimiento: Demuestra que los sistemas de IA pueden no solo predecir, sino también diseñar y validar materiales en el mundo real, reduciendo drásticamente el tiempo de desarrollo.
Escalabilidad y Automatización: Proporciona una arquitectura escalable para laboratorios autónomos ("self-driving labs"), permitiendo la exploración de espacios químicos complejos que son inalcanzables para los humanos por sí solos.
Sostenibilidad: Al optimizar múltiples objetivos simultáneamente (eficiencia, estabilidad y toxicidad), facilita el desarrollo de tecnologías solares más seguras y sostenibles.
Marco de Referencia: La liberación de PeroMAS-Bench establece un estándar para evaluar futuros sistemas de agentes científicos, promoviendo la reproducibilidad y la comparación rigurosa en el campo de la IA para la ciencia (AI4Science).

En resumen, PeroMAS no es solo una herramienta de predicción, sino un sistema colaborativo autónomo que integra razonamiento, herramientas especializadas y validación experimental para acelerar la revolución de la energía fotovoltaica de perovskita.