🔬 materials science

Thermodynamics-Informed Machine Learning for Energy Materials Discovery

Esta perspectiva sostiene que la próxima frontera en el descubrimiento de materiales energéticos reside en el desarrollo de modelos de aprendizaje automático informados por la termodinámica que vayan más allá de las predicciones estáticas de energía a temperatura cero para capturar los roles esenciales de la entropía y la anharmonicidad en el gobierno del comportamiento de los materiales bajo condiciones operativas realistas.

Autores originales: Pol Benítez, Cibrán López, Claudio Cazorla

Publicado 2026-07-30

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Pol Benítez, Cibrán López, Claudio Cazorla

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 estás intentando predecir el clima. Si solo observas una instantánea congelada de la atmósfera al cero absoluto —donde todo está quieto y silencioso— podrías pensar que una nube es solo una bola de agua esponjosa y estática. Pero en el mundo real, el calor hace que el aire baile, los vientos se arremolinen y las nubes cambien de forma. En el mundo de la ciencia de materiales, los científicos utilizan potentes computadoras para diseñar nuevos materiales para cosas como paneles solares, baterías y catalizadores. Durante mucho tiempo, han dependido de un enfoque de "instantánea congelada", calculando cómo se asientan los átomos en una cuadrícula perfecta y fría. Esto funciona bien para algunas cosas, pero ignora la parte más importante de la realidad: el calor. El calor no es solo una manta cálida; es una fiesta caótica que cambia cómo se mueven los átomos, cómo se pegan entre sí e incluso qué formas prefieren adoptar. Sin tener en cuenta este baile térmico, nuestras predicciones por computadora a menudo fallan al coincidir con lo que sucede en la vida real, donde todo está caliente y en movimiento.

Este artículo sostiene que el próximo gran salto en el descubrimiento de nuevos materiales energéticos requiere que dejemos de mirar instantáneas congeladas y empecemos a enseñar a nuestras computadoras a entender la "termodinámica" del calor. Los autores, Pol Benítez, Cibrán López y Claudio Cazorla, explican que los modelos actuales de aprendizaje automático son como estudiantes que solo han estudiado un libro de texto de imágenes estáticas; son brillantes prediciendo la energía de una estructura congelada, pero terribles adivinando cómo se comportará esa estructura cuando esté caliente y se mueva. Señalan que, para muchos materiales, el "ganador" no es el que tiene la menor energía a cero grados, sino el que puede manejar mejor el caos del calor. El artículo no afirma haber resuelto este problema todavía; en su lugar, traza una hoja de ruta sobre cómo podemos construir una nueva generación de IA que aprenda no solo la energía estática, sino el papel desordenado, hermoso y esencial de la temperatura para hacer que los materiales funcionen.

La trampa del congelado frente a la realidad caliente

Piensa en un material como un castillo de Lego. En la forma antigua de hacer las cosas, los científicos usaban computadoras para encontrar el castillo más estable observando cómo encajaban las piezas cuando todo estaba perfectamente quieto y frío. Esto se llama la aproximación de "temperatura cero". Es como juzgar una competencia de baile mirando solo a los bailarines cuando la música se detiene. El problema es que, en el mundo real, la música nunca se detiene. Los átomos están constantemente vibrando, sacudiéndose y cambiando de lugar. Este movimiento crea la "entropía", que es una palabra elegante para referirse a la cantidad de desorden o caos en un sistema.

El artículo explica que, a altas temperaturas, este caos puede hacer que una estructura sea más estable. Imagina una torre de bloques tambaleante que parece que debería caerse cuando está quieta. Pero si sacudes la mesa (añades calor), los bloques podrían sacudirse hacia una nueva formación más apretada que se mantiene unida mejor que la versión quieta. Los modelos de aprendizaje automático actuales suelen pasar esto por alto por completo. Están entrenados con datos de cálculos estáticos y congelados, por lo que piensan que la torre tambaleante es inestable y la descartan. Pero en la realidad, esa torre tamboleante podría ser la campeona a temperatura ambiente. Los autores argumentan que depender de estos modelos congelados es una barrera importante porque nos lleva a elegir materiales que fallan tan pronto como encendemos el calor.

El nuevo plan de juego: Enseñando a la IA a sentir el calor

Entonces, ¿cómo arreglamos esto? El artículo sugiere que necesitamos actualizar nuestra IA de un "fotógrafo estático" a un "director termodinámico". En lugar de solo predecir la energía de una única estructura quieta, los nuevos modelos deben predecir la "energía libre", que es una combinación de la energía estática más los efectos del calor y la entropía.

Los autores revisan algunas estrategias diferentes que ya se están probando, como el uso de "potenciales interatómicos aprendidos por máquinas". Puedes pensar en ellos como atajos súper inteligentes. En lugar de hacer las matemáticas increíblemente lentas y costosas para cada movimiento de cada átomo (lo cual es como intentar contar cada grano de arena en una playa uno por uno), estos modelos de IA aprenden las reglas del movimiento de la arena y pueden simular toda la playa en un instante. Esto permite a los científicos ejecutar simulaciones de "dinámica molecular", que son como películas virtuales de átomos bailando a altas temperaturas. A partir de estas películas, podemos extraer la energía libre y ver qué materiales son realmente estables.

Sin embargo, el artículo advierte que incluso estas herramientas avanzadas tienen límites. Si la IA solo es entrenada con bailes tranquilos y de baja temperatura, podría confundirse cuando la música se acelere y los átomos empiecen a saltar salvajemente. Los autores sugieren algunas soluciones clave:

Aprendizaje Directo: En lugar de simular el baile y luego calcular la energía después, deberíamos enseñar a la IA a predecir la energía libre directamente, tratando la temperatura como una variable que puede aprender, tal como aprende la forma de un átomo.
Conciencia de la Entropía: La IA necesita entender que la entropía (el factor de caos) es algo real que cambia las reglas. Necesitamos construir modelos que puedan "sentir" la diferencia entre una habitación tranquila y una fiesta concurrida.
Aprendizaje Activo: Esto es como un estudiante inteligente que sabe exactamente qué es lo que no entiende. En lugar de estudiar hechos aleatorios, la IA pregunta: "Oye, no estoy seguro de este rango de temperatura específico; hagamos una simulación allí para aprender más". Esto ayuda a llenar los vacíos donde faltan los datos.

Por qué esto importa para la energía

El artículo destaca tres áreas específicas donde este nuevo enfoque podría cambiar las reglas del juego:

Paneles Solares (Fotovoltaica): En materiales como las perovskitas, el calor puede cambiar el color de la luz que el material absorbe. Si solo miramos la versión congelada, podríamos pensar que un material es inútible, pero cuando está caliente, podría ser perfecto para capturar la luz solar. El calor también puede cambiar la facilidad con la que la electricidad fluye a través del material.
Catalizadores: Estos son materiales que aceleran las reacciones químicas, como en los sistemas de escape de los coches o en la fabricación de combustible. La superficie de un catalizador no es una roca rígida; es un paisaje dinámico que cambia de forma cuando se calienta. Los "sitios activos" donde ocurre la magia podrían aparecer solo cuando los átomos se están sacudiendo. Si diseñamos un catalizador basado en un modelo congelado, podríamos perdernos al verdadero héroe.
Baterías de Estado Sólido: Estas baterías utilizan materiales sólidos para mover iones (átomos cargados) en lugar de líquidos. El movimiento de estos iones suele verse favorecido por las vibraciones de la estructura del material. Si la estructura es demasiado rígida (congelada), los iones no pueden moverse. Pero si la estructura es "suave" y oscilante a la temperatura adecuada, los iones pueden desplazarse rápidamente. Los modelos actuales suelen pasar por alto esta "suavidad" porque no tienen en cuenta las vibraciones inducidas por el calor.

El camino por delante

Los autores son claros en que aún no hemos llegado. Admiten que obtener los datos para entrenar estos nuevos modelos es difícil y costoso. Simular el calor requiere mucha potencia de cómputo, y no tenemos suficientes ejemplos de materiales comportándose a diferentes temperaturas para enseñarle a la IA todo lo que necesita saber. También señalan que los modelos de IA actuales a menudo rompen las reglas de la termodinámica, prediciendo cosas que son físicamente imposibles, como la capacidad calorífica negativa.

Sin embargo, el artículo es optimista. Sugiere que, combinando la velocidad del aprendizaje automático con las reglas estrictas de la termodinámica, podemos construir un nuevo tipo de IA que no solo adivine cómo se ve un material, sino que entienda qué hace cuando está trabajando. El objetivo es pasar de diseñar materiales para un mundo congelado a diseñarlos para el mundo real, caliente y caótico, donde realmente se utilizarán. Es un cambio de tomar una foto fija a dirigir una película de acción completa, y promete desbloquear una nueva era de materiales energéticos que sean más eficientes, estables y potentes que cualquier cosa que hayamos podido diseñar antes.

Resumen Técnico: Aprendizaje Automático Informado por la Termodinámica para el Descubrimiento de Materiales Energéticos

Planteamiento del Problema
Los modelos actuales de aprendizaje automático (ML) para el descubrimiento de materiales están fundamentalmente limitados por su dependencia de descripciones a temperatura cero ( $T=0$ K). Estos modelos se entrenan típicamente en energías de red estáticas derivadas de cálculos de la Teoría del Funcional de la Densidad (DFT), aprendiendo únicamente un mapeo de la configuración atómica a la energía interna ( $U$ ). Sin embargo, la estabilidad de los materiales, las transiciones de fase y el rendimiento funcional bajo condiciones operativas realistas están gobernados por la energía libre de Gibbs ($G = U - TS + PV$), donde las contribuciones entrópicas ( $S$ ) provenientes de las vibraciones de la red, el desorden configuracional, las excitaciones electrónicas y las fluctuaciones magnéticas juegan un papel decisivo.

La aproximación de temperatura cero conduce a fallos cualitativos en la predicción del comportamiento observado experimentalmente, particularmente en sistemas con fuerte anharmonicidad (por ejemplo, perovskitas de haluro) o polimorfos competidores. Una fase que es dinámicamente inestable a $T=0$ K puede volverse termodinámicamente estable a temperaturas finitas debido a la estabilización entrópica. En consecuencia, las canalizaciones de cribado aceleradas por ML basadas en envolventes convexas estáticas pueden identificar erróneamente fases estables, omitir estructuras estabilizadas térmicamente y fallar en la predicción de propiedades dependientes de la temperatura, tales como la renormalización de la banda prohibida (band-gap), la conductividad iónica y la actividad catalítica.

Metodología y Estrategias Actuales
El artículo revisa las estrategias existentes que intentan cerrar la brecha entre el ML estático y la termodinámica a temperatura finita, categorizándolas en tres enfoques principales:

Potenciales Interatómicos Aprendidos por Máquina (MLIPs): Estos modelos regresan la superficie de energía potencial (PES) sobre formas funcionales flexibles entrenadas con datos de primeros principios. Una vez entrenados, permiten simulaciones de dinámica molecular (MD) a una fracción del costo de la MD ab initio. Las cantidades termodinámicas (energía libre, capacidad calorífica) se extraen posteriormente mediante integración termodinámica o perturbación de la energía libre. Aunque los potenciales fundacionales (por ejemplo, MACE, CHGNet) ofrecen una amplia transferibilidad, a menudo carecen de suficientes datos de entrenamiento para desplazamientos anharmónicos de gran amplitud y transiciones de fase.
Flujos de Trabajo Termodinámicos con Surrogatos de ML: Este enfoque retiene formalismos establecidos de la mecánica estadística (por ejemplo, Aproximación Cuasi-Armónica, teoría del Fonón Auto-Consistente) pero utiliza el ML para acelerar pasos costosos, como la predicción de constantes de fuerza o espectros fonónicos. Esto asegura la consistencia termodinámica por construcción, pero hereda las limitaciones físicas de las aproximaciones subyacentes (por ejemplo, el fallo en sistemas fuertemente anharmónicos).
Aprendizaje Directo de Propiedades Dependientes de la Temperatura: Esta estrategia emergente trata las observables dependientes de la temperatura (por ejemplo, dispersiones fonónicas, conductividad térmica, bandas prohibidas renormalizadas) como objetivos de regresión primarios, aprendiendo un mapeo directo de la estructura (y a veces de la temperatura) hacia la propiedad. Aunque es eficiente, estos modelos suelen sufrir de escasez de datos, una generalización limitada a través de transiciones de fase y una falta de consistencia termodinámica garantizada entre las cantidades predichas (por ejemplo, energía libre y entropía).

Contribuciones Clave y Hoja de Ruta Propuesta
Los autores argumentan que el campo debe pasar de predecir energías estáticas a modelar directamente las energías libres. Proponen una hoja de ruta para el "ML informado por la termodinámica" centrada en tres pilares:

Aprendizaje de Energía Libre Directa: Desarrollar modelos que tomen la temperatura como una entrada explícita y aprendible para predecir la energía libre ( $F$ ) directamente. Esto implica aprender representaciones conjuntas de estructura y temperatura, utilizando potencialmente el aprendizaje multitarea para predecir simultáneamente la energía libre, la entropía ( $S = -\partial F/\partial T$ ) y la capacidad calorífica ( $C_v = -T\partial^2 F/\partial T^2$ ) para imponer consistencia termodinámica. Las arquitecturas deben asegurar la suavidad y diferenciabilidad para evitar oscilaciones no físicas en las cantidades derivadas.
Representaciones Conscientes de la Entropía: Ir más allá de la energía libre total para modelar explícitamente las contribuciones entrópicas. El artículo destaca enfoques de la teoría de la información (por ejemplo, MICE) que descomponen la entropía en términos de información mutua, permitiendo la estimación de la entropía configuracional y vibracional sin un muestreo exhaustivo.
Aprendizaje Activo en el Espacio de Temperatura: Extender los bucles de aprendizaje activo para navegar el espacio de fase composición-temperatura. En lugar de filtrar candidatos basados en envolventes convexas de temperatura cero, los flujos de trabajo deben utilizar envolventes de energía libre a temperatura finita. Esto implica seleccionar iterativamente puntos de alta incertidumbre tanto en composición como en temperatura para una evaluación de alta fidelidad, asegurando que el modelo capture los paisajes de estabilidad cambiantes cerca de las transiciones de fase.

Resultados y Aplicaciones en Materiales Energéticos
El artículo ilustra la necesidad de este paradigma a través de tres familias específicas de materiales energéticos donde la temperatura es constitutiva de la propiedad objetivo:

Absorbedores Fotovoltaicos: En materiales como las perovskitas de haluro, el acoplamiento electrón-fonón (EPC) y la anharmonicidad de la red causan una renormalización significativa de la banda prohibida (una reducción de hasta el 60% a temperatura ambiente) y limitan la movilidad de los portadores. Los modelos estáticos fallan al capturar estos efectos. El trabajo reciente de ML (por ejemplo, esquemas de fonón congelado no perturbativos) demuestra que aprender el EPC y las estructuras de bandas dependientes de la temperatura es esencial para la predicción precisa del rendimiento de los dispositivos.
Catalizadores Heterogéneos: La actividad catalítica está gobernada por las barreras de energía libre de Gibbs, no por las barreras estáticas de energía potencial. Los efectos anharmónicos pueden reducir las barreras de activación en un 40% o incluso revertir el paso limitante de la velocidad. Además, las superficies de los catalizadores son dinámicas; las reconstrucciones inducidas por adsorbatos y las fluctuaciones térmicas crean sitios activos ausentes en los modelos estáticos de planos (slabs). Los MLIPs combinados con el muestreo de paraguas (umbrella sampling) han revelado con éxito estos mecanismos dinámicos.
Electrolitos de Estado Sólido (SSE): La conductividad iónica depende de la entropía de migración y de la renormalización anharmónica de las barrera de migración. Muchos SSE son metaestables a $T=0$ K pero se convierten en conductores superiónicos estables a temperaturas finitas debido a transiciones de orden-desorden. Los MLIPs entrenados en trayectorias de AIMD han permitido la simulación de difusión de larga escala y la predicción precisa de las energías de activación de Arrhenius, que los cálculos estáticos de NEB suelen subestimar hasta en 1 eV.

Significancia y Reivindicaciones
El artículo afirma que el desarrollo de un ML informado por la termodinámica constituye uno de los frentes más importantes y menos explorados en el descubrimiento de materiales. Sostiene que la aproximación de temperatura cero no es simplemente una deficiencia técnica, sino una barrera fundamental para el diseño predictivo bajo condiciones realistas.

La significancia de esta perspectiva radica en su llamado a una reorientación conceptual:

De lo Estático a lo Termodinámico: La cantidad objetivo debe cambiar de la energía interna ( $U$ ) a la energía libre ( $F$ ).
De lo Post-hoc a lo Explícito: La temperatura debe tratarse como una variable explícita y aprendible dentro de la arquitectura del modelo, no como una cantidad post-hoc derivada de un muestreo costoso.
De la Precisión a la Consistencia: Los modelos futuros deben priorizar la consistencia termodinámica (asegurando que las cantidades derivadas como la entropía y la capacidad calorífica obedezcan las leyes físicas) junto con la precisión predictiva.

Los autores concluyen que lograr esto requiere una integración más profunda del ML con los principios termodinámicos, la generación de datos de entrenamiento de alta calidad a temperatura finita y el desarrollo de modelos fundacionales capaces de transferirse a través del espacio químico mientras capturan los efectos anharmónicos y entrópicos. Este cambio de paradigma promete transformar el diseño de materiales computacional de predecir qué es un material al cero absoluto a predecir qué hace a las temperaturas donde realmente debe trabajar.

La trampa del congelado frente a la realidad caliente

El nuevo plan de juego: Enseñando a la IA a sentir el calor

Por qué esto importa para la energía

El camino por delante

Más como este