Quantitative control and recording of materials-synthesis processes using an automated experimentation platform

La búsqueda de mejores materiales —aleaciones más fuertes, baterías más eficientes o catalizadores más inteligentes— ha dependido durante mucho tiempo de un proceso humano lento de ensayo y error. Los científicos mezclan productos químicos, los calientan y observan los resultados, con la esperanza de tropezar con una combinación que funcione. Pero las manos humanas no son perfectamente estables, y las descripciones humanas como "mezclar lentamente" o "añadir hasta que se enturbie" están sujetas a interpretación. Esta falta de precisión hace que sea difícil repetir los experimentos exactamente, lo cual es un obstulo importante para el campo moderno de la ciencia de materiales basada en datos. Para enseñar a las computadoras cómo predecir nuevos materiales, los investigadores necesitan grandes cantidades de datos de alta calidad donde cada uno de los pasos del experimento se registre con números exactos. Si los datos son difusos, las predicciones de la computadora también serán difusas. El desafío, entonces, no es solo construir máquinas que puedan mezclar productos químicos, sino construir sistemas que puedan medir y registrar los detalles invisibles del proceso que los humanos a menudo pasan por alto.

En un estudio reciente, un equipo de investigadores de la Universidad de Tohoku en Japón abordó este problema construyendo una plataforma sencilla y de código abierto diseñada para automatizar la mezcla de soluciones químicas con extrema precisión. En lugar de aspirar a un robot totalmente autónomo que pueda diseñar y ejecutar cualquier experimento desde cero, se centraron en un objetivo más práctico: crear un sistema fiable que pueda realizar una tarea específica una y otra vez mientras registra cada pequeño detalle de cómo se hizo. Combinaron herramientas comerciales, como brazos robóticos y pipetas eléctricas, con piezas personalizadas fabricadas mediante impresión 3D y un sistema de cámara. Una innovación clave fue el uso de un agente de inteligencia artificial para escribir el código informático que controla a los robots. Esto permitió que el sistema se adaptara fácilmente a diferentes configuraciones sin necesidad de un equipo de programadores expertos. Los investigadores probaron esta plataforma sintetizando ZIF-8, un tipo de estructura metalorgánica, que es un material poroso útil para el almacenamiento de gases y la catálisis. El objetivo era ver si la máquina podía controlar el proceso de mezcla mejor que un humano y, lo que es más importante, si podía revelar cómo ciertos factores específicos y difíciles de medir afectan al producto final.

El experimento consistió en mezclar dos soluciones líquidas para crear el material ZIF-8. En un laboratorio tradicional, un científico podría usar una pipeta manual para añadir la segunda solución a la primera. La velocidad con la que se aprieta el bulbo de la pipeta suele ser una cuestión de tacto, descrita en los cuadernos de laboratorio únicamente como "lenta" o "rápida". En este sistema automatizado, los investigadores utilizaron pipetas eléctricas que podían configurarse en nueve niveles de velocidad distintos, que iban desde un vertido muy lento de unos diez segundos hasta un vertido rápido de menos de un segundo. Realizaron la síntesis varias veces, alternando entre los ajustes más lento, uno medio y el más rápido. Los resultados fueron sorprendentes. Aunque la composición química del polvo blanco final era la misma en todas las ejecuciones, el tamaño de las partículas cambiaba drásticamente dependiendo de la rapidez con la que se añadía el líquido. Cuando la solución se añadía lentamente, las partículas resultantes eran más grandes. Cuando se añadía rápidamente, las partículas eran más pequeñas. Esta relación era tan constante que los investigadores podían predecir el tamaño de la partícula simplemente conociendo el ajuste de velocidad utilizado durante la mezcla.

Lo que hizo posible este descubrimiento fue la capacidad del sistema para cuantificar una variable que normalmente se ignora. En los experimentos manuales, la velocidad de adición rara vez se mide o se registra; es solo una parte vaga del procedimiento. Debido a que no se rastreaba, su efecto sobre el material permanecía oculto. La plataforma automatizada, sin embargo, trató la velocidad de dispensación como un número preciso, al igual que la temperatura o el peso. Al registrar este número cada vez, los investigadores pudieron demostrar que la velocidad de mezcla era un factor dominante en la determinación del tamaño final de las partículas. Confirmaron esto midiendo los tamaños de las partículas con equipos especializados y descubrieron que la tendencia se mantenía en las ejecuciones repetidas. El sistema también capturó imágenes de la mezcla a medida que se formaba, mostrando cómo la suspensión blanca se asentaba de manera diferente según la velocidad, proporcionando un registro visual que coincidía con los datos numéricos. Este nivel de detalle reveló que las instrucciones de "lento" y "rápido" en los antiguos manuales de laboratorio estaban en realidad controlando la física fundamental de cómo se formaban los cristales, un detalle que anteriormente se perdía en la traducción.

El estudio también demostó que este nivel de control y registro podía lograrse sin construir un superrobot complejo y costoso. Todo el montaje se construyó utilizando componentes disponibles comercialmente y soportes impresos en 3D, con todos los archivos de diseño y el código informático puestos a disposición gratuita de otros científicos. Este enfoque reduce la barrera para que otros laboratorios adopten una automatización similar. Al compartir los planos y el software, los investigadores esperan fomentar un cambio en la forma en que se llevan a cabo los experimentos. En lugar de depender de la intuición de un único experto, la comunidad científica puede avanzar hacia procesos estandarizados y altamente reproducibles donde cada variable sea conocida y registrada. Los investigadores señalaron que, si bien el sistema no reemplazó totalmente el juicio humano, gestionó con éxito las tareas repetitivas y de precisión crítica que los humanos tienen dificultades para realizar de manera constante. Esta cooperación entre la supervisión humana y la precisión de la máquina permite la recopilación del tipo de datos de alta calidad necesarios para entrenar modelos de inteligencia artificial para descubrir nuevos materiales de forma más rápida y fiable.

En última instancia, el trabajo demuestra que el camino hacia mejores materiales puede no residir en robots más complejos, sino en mejores datos. Al convertir las instrucciones vagas en números exactos, los investigadores descubrieron un vínculo directo entre cómo se mezcla un producto químico y cómo es el material final. Demostraron que la velocidad de adición de un líquido no es solo un detalle menor, sino una palanca poderosa para controlar las propiedades de un material. Este hallazgo sugiere que muchos otros materiales podrían tener dependencias ocultas de detalles de proceso que han sido pasados por alto durante décadas. Con una plataforma capaz de registrar estos detalles automáticamente, los científicos pueden comenzar a construir una biblioteca exhaustiva de cómo se fabrican los materiales, allanando el camino para un futuro donde el diseño de nuevas sustancias esté guiado por datos precisos y reproducibles en lugar de conjeturas. El estudio concluye que el futuro de la ciencia de materiales depende de capturar la historia completa del experimento, no solo el resultado final, y que la automatización simple y transparente es la clave para escribir esa historia con claridad.