En la búsqueda de nuevos materiales, los científicos suelen recurrir a una herramienta poderosa pero computacionalmente costosa llamada teoría del funcional de la densidad. Este método actúa como un microscopio virtual, calculando cómo se disponen los electrones alrededor de los átomos para determinar las propiedades de un material, como su resistencia, conductividad o capacidad para conducir el calor. Aunque es preciso, estos cálculos son tan lentos que probar incluso unos pocos miles de estructuras candidatas puede tomar años. Para acelerar este proceso, los investigadores han recurrido a la inteligencia artificial, específicamente a un tipo de modelo conocido como red neuronal de grafos. Estas redes tratan a un cristal no como una cuadrícula de números, sino como un mapa de conexiones, donde los átomos son puntos y los enlaces entre ellos son líneas. Al aprender de miles de cristales conocidos, estos mapas pueden predecir propiedades en una fracción de segundo. Sin embargo, durante años, estos modelos de IA han sido frágiles, requiriendo bibliotecas de software especializadas que a menudo fallan cuando el hardware de la computadora se actualiza, y se han limitado a predecir solo una cosa a la vez, obligando a los científicos a ejecutar modelos separados y desconectados para diferentes tareas.

Un equipo de investigadores ha introducido ahora un nuevo marco unificado llamado ALIGNN 2.0 que resuelve estos problemas reconstruyendo todo el sistema desde cero utilizando únicamente componentes de software estándar y ampliamente disponibles. Este nuevo enfoque elimina la necesidad de bibliotecas especializadas y difíciles de mantener, facilitando la instalación y ejecución de los modelos en los chips de computadora más recientes. Más importante aún, unifica todo el flujo de trabajo: un solo modelo puede ahora predecir una vasta gama de propiedades diferentes a partir de una estructura cristalina, que van desde números simples como la energía hasta formas complejas como espectros de vibración e incluso las fuerzas que mantienen unidos a los átomos. Esto permite a los científicos simular cómo un material se mueve y cambia con el tiempo, una tarea que anteriormente requería un tipo de modelo completamente diferente. Los investigadores descubrieron que, si bien una forma específica de conectar los átomos funciona mejor para predecir propiedades estáticas, un método de conexión ligeramente diferente es esencial para simular el movimiento sin romper las leyes de la física. Al dominar ambos, el nuevo sistema puede examinar millones de materiales en busca de superconductores, predecir cómo vibrarán al calentarse e incluso generar estructuras cristalinas completamente nuevas que aún no existen.

El núcleo de este logro reside en cómo el modelo "ve" el material. Los modelos tradicionales a menudo observan los átomos y las líneas rectas que los conectan, pero este nuevo sistema añade una segunda capa de visión: un mapa de los ángulos entre esas líneas. Esto permite a la IA comprender la geometría tridimensional del cristal, lo cual es crucial para predecir propiedades como cómo un material se dobla bajo presión o cómo conduce la electricidad. Los investigadores probaron este nuevo marco contra treinta tareas diferentes, desde predecir la energía necesaria para desprender una capa de un material hasta calcular la temperatura a la que una sustancia se convierte en superconductor. En veintiséis de estas pruebas, el nuevo modelo superó a las mejores versiones anteriores, mostrando mejoras significativas en la predicción de respuestas complejas como la piezoelectricidad, que es la capacidad de un material para generar electricidad cuando se comprime. El sistema también demostró ser capaz de predecir el espectro completo de luz que un material absorbe o emite, igualando los resultados de las simulaciones físicas tradicionales, mucho más lentas.

Más allá de simplemente predecir lo que hará un material conocido, los investigadores demostraron que este marco puede trabajar a la inversa para inventar nuevos materiales. Al alimentar al modelo con una composición química deseada y una propiedad objetivo, como una temperatura de superconductividad específica, el sistema puede generar una lista de estructuras cristalinas candidatas que podrían poseer tales rasgos. En pruebas que involucraron más de cien mil materiales potenciales, el sistema identificó con éxito superconductores de alta temperatura conocidos y predijo su comportamiento con alta precisión. Incluso fue un paso más allá al predecir la forma completa de la interacción electrón-fonón, un mapa detallado de cómo interactúan los electrones y las vibraciones atómicas, lo cual es esencial para comprender la superconductividad. Esta capacidad permite a los investigadores examinar vastas bases de datos de materiales y encontrar candidatos prometedores para aplicaciones del mundo real sin necesidad de sintetizarlos primero.

El poder de este enfoque unificado se vuelve aún más claro cuando se observa cómo maneja el movimiento físico de los átomos. Los modelos anteriores podían predecir la energía de un cristal estático, pero a menudo fallaban cuando se les pedía simular el movimiento del cristal, porque sus predicciones saltaban erráticamente a medida que los átomos se desplazaban ligeramente. El nuevo modelo ALIGNN 2.0, sin embargo, produce predicciones suaves y continuas que conservan la energía, lo que le permite impulsar simulaciones realistas de cómo se comportan los materiales bajo estrés o a altas temperaturas. Los investigadores probaron esto simulando el comportamiento del silicio y otros materiales, encontrando que el modelo se mantenía estable durante períodos prolongados, un requisito crítico para cualquier herramienta utilizada para diseñar dispositivos del mundo real. Esta estabilidad significa que el mismo modelo puede usarse para relajar una estructura a su estado de menor energía, calcular sus fuerzas y luego usar inmediatamente esas fuerzas para simular cómo vibraría o conduciría el calor, todo dentro de un flujo de trabajo único y fluido.

Las implicaciones de este trabajo se extienden a la forma misma en que los científicos observan los materiales. Los investigadores demostraron que el mismo modelo puede predecir no solo la estructura y la energía, sino también las imágenes detalladas que aparecerían en un microscopio electrónico. Al calcular cómo vibran los átomos a temperatura ambiente, el sistema pudo simular los puntos brillantes y difusos que se ven en las imágenes de alta resolución de átomos pesados, coincidiendo con los resultados de simulaciones físicas complejas. Esto crea un bucle cerrado donde un modelo puede predecir una estructura, simular cómo se vería bajo un microscopio y luego usar esa imagen simulada para verificar las propiedades de la estructura. El equipo también aplicó esto al diseño de dispositivos complejos, como las uniones de túnel magnético utilizadas en la memoria de las computadoras, donde el modelo predijo con éxito el comportamiento magnético y eléctrico de múltiples capas de diferentes materiales apilados.

Uno de los hallazgos más significativos del estudio es el descubrimiento de que la mejor manera de conectar los átomos en el modelo depende de la tarea en cuestión. Para predecir propiedades estáticas como la energía o las brechas de banda, un método que conecta cada átomo con sus ocho vecinos más cercanos funcionó mejor, proporcionando una visión más amplia de la estructura circundante. Sin embargo, para simular el movimiento y las fuerzas, este método causaba problemas porque la lista de vecinos cambiaría repentinamente a medida que los átomos se mueven, creando saltos de energía poco realistas. Los investigadores encontraron que utilizar un método basado en una distancia fija, donde los átomos se conectan si están dentro de un cierto rango, proporcionaba las transiciones suaves necesarias para las simulaciones de movimiento precisas. Aunque este método basado en la distancia era ligeramente menos preciso para las predicciones estáticas, era el único que podía manejar ambas tareas simultáneamente sin romperse. Este compromiso resalta una idea clave: la elección de cómo representar la geometría del material es tan importante como el propio algoritmo de aprendizaje.

Los investigadores también exploraron si añadir una capa adicional de información sobre los ángulos de enlace, separada de la estructura principal, mejoraría la capacidad del modelo para generar nuevos cristales. Encontraron que, si bien esta información adicional ayudaba al modelo a aprender la geometría de los ángulos, no mejoraba consistentemente el resultado final cuando se combinaba con el mapa estructural principal. En algunos casos, las dos fuentes de información incluso entraban en conflicto, lo que sugiere que el mapa principal ya contenía suficiente detalle sobre los ángulos. Estas pruebas cuidadosas de los diferentes componentes aseguran que el modelo final no sea solo una colección de características, sino un sistema optimizado donde cada parte cumple un propósito claro. El resultado es una herramienta que no solo es más precisa, sino también más eficiente, capaz de ejecutarse en hardware estándar y escalar a sistemas con cientos de miles de átomos.

Al final, este trabajo representa un cambio de la construcción de herramientas especializadas de un solo propósito hacia la creación de un marco versátil y todo en uno para la ciencia de materiales. Al unificar la predicción de propiedades, fuerzas y espectros, y al permitir la generación de nuevas estructuras, los investigadores han proporcionado una nueva y poderosa forma de explorar el vasto panorama de los posibles materiales. El sistema ya se está utilizando para examinar bases de datos masivas de materiales conocidos e hipotéticos, identificando candidatos para superconductores, baterías y otras tecnologías. Debido a que el modelo está construido con software estándar y puede ejecutarse en los chips de computadora más recientes, es accesible para una amplia gama de científicos, lo que potencialmente acelera el descubrimiento de nuevos materiales que podrían resolver algunos de los desafíos energéticos y tecnológicos más apremiantes del mundo. La capacidad de predecir cómo se comportará un material, cómo vibrará e incluso cómo se verá bajo un microscopio, todo a partir de un único modelo unificado, marca un paso significativo en el campo del descubrimiento de materiales computacionales.