MASON: Materials Atomistic Structure builder Operated in Natural language

En el mundo de la ciencia de materiales, los investigadores a menudo necesitan construir modelos diminutos y perfectos de la materia para comprender cómo funcionan las cosas a nivel atómico. Imagine intentar predecir cómo una nueva batería retendrá una carga o cómo un fármaco interactuará con una célula; los científicos hacen esto creando versiones digitales de átomos dispuestos en patrones específicos. Estos patrones, conocidos como estructuras cristalinas, son los planos de todo, desde el silicio en los chips informáticos hasta los metales en los motores de los aviones. Para estudiarlos, los científicos utilizan potentes ordenadores para ejecutar simulaciones, pero antes de que el ordenador pueda empezar a trabajar, un humano debe construir primero el modelo. Esta es una tarea delicada. Si los átomos se colocan incluso ligeramente mal, la simulación completa falla y los resultados carecen de sentido. Durante décadas, este paso ha requerido que un investigador escriba código informático complejo o manipule manualmente formas en 3D, un proceso que es lento, propenso al error humano y difícil de manejar de forma autónoma por la nueva generación de inteligencia artificial.

Un equipo de investigadores ha presentado ahora una nueva herramienta llamada MASON, diseñada para cerrar esta brecha entre la intención humana y la construcción digital. El sistema permite a los científicos describir la estructura que necesitan utilizando lenguaje natural, y un agente de inteligencia artificial traduce esas palabras en un modelo atómico preciso y libre de errores. En lugar de pedirle a la IA que escriba código que podría contener errores, MASON proporciona a la IA un conjunto dedicado de herramientas especializadas que puede utilizar directamente. Piense en ello como darle a un constructor un juego de ladrillos prefabricados y perfectamente calibrados y un martillo, en lugar de pedirle que mezcle el cemento y dé forma a los ladrillos desde cero cada vez. Los investigadores demostraron que este enfoque funciona de manera fiable, permitiendo que una IA tome una petición sencilla como "construir un modelo de monóxido de carbono adherido a una superficie de platino" y produzca una estructura compleja y científicamente válida lista para la simulación.

El desafío central que los investigadores abordaron es que, si bien la IA moderna puede mantener una conversación y razonar sobre problemas, tiene dificultades con las reglas específicas y rígidas de la cristalografía. En el pasado, si un científico quería que una IA construyera un modelo, la IA tendría que escribir un programa para hacerlo. Esto es arriesgado porque un error minúsculo en el código podría dar lugar a átomos superpuestos o a una estructura que no existe en la realidad. El sistema MASON cambia esta dinámica actuando como un servidor especializado que se sitúa entre la IA y el proceso de construcción. Cuando un investigador hace una pregunta, la IA descompone la petición en una secuencia de pasos y solicita a MASON que realice cada uno de ellos. MASON ejecuta entonces la operación, como cortar una sección de un cristal o añadir un átomo faltante, e informa inmediatamente de lo que ha construido. Este bucle de retroalimentación asegura que, si un paso sale mal, la IA vea el resultado y pueda corregir su siguiente movimiento antes de que el modelo se finalice.

El sistema está organizado en cinco categorías principales de herramientas que cubren todo el ciclo de vida de la construcción de un modelo. Primero, puede analizar estructuras existentes para comprobar si son válidas, contando los átomos y midiendo las distancias entre ellos. Segundo, puede crear versiones más grandes de un cristal o introducir defectos específicos, como eliminar un átomo para simular un defecto. Tercero, puede cortar una sección de un bloque de material para crear una superficie plana, lo cual es esencial para estudiar cómo interactúan los productos químicos con los metales. Cuarto, puede colocar moléculas en esas superficies en ubicaciones precisas. Finalmente, puede combinar dos materiales diferentes para ver cómo encajan entre sí, un proceso conocido como creación de heteroestructuras. En todos los casos, la herramienta realiza el trabajo pesado de la geometría, asegurando que los átomos estén espaciados correctamente y que se mantenga la simetría.

Para demostrar que el sistema funciona, los investigadores realizaron un ejemplo completo de la construcción de un modelo de monóxido de carbono adsorbido en una superficie de platino. El proceso comenzó con la IA pidiendo a MASON que leyera la estructura básica del platino en masa y verificara su forma. A continuación, la IA instruyó a MASON para que cortara una fina sección de este material, específicamente una capa de cuatro átomos de espesor, y fijara las dos capas inferiores para imitar un bloque sólido. El sistema expandió esta sección para crear una superficie de área mayor e identificó los puntos específicos donde una molécula de monóxido de carbono podría adherirse. Finalmente, la IA dirigió a MASON para colocar la molécula exactamente a dos ángstroms por encima de un punto hueco específico de la superficie. A lo largo de toda esta secuencia, que implicó más de diez llamadas a las herramientas, la IA recibió actualizaciones constantes sobre las dimensiones y la disposición de los átomos. El resultado final fue un modelo tridimensional completo que superó todas las comprobaciones geométricas, listo para que un superordenador ejecute una simulación.

Los investigadores también probaron el sistema en una amplia variedad de otros desafíos para asegurar su fiabilidad. Construyeron con éxito modelos de nanocintas de grafeno, capas de átomos de carbono retorcidas e interfaces complejas entre carburo de silicio y silicio. En cada caso, la IA utilizó la petición en lenguaje natural para guiar la construcción, y MASON proporcionó la ejecución precisa. Por ejemplo, al pedírsele que construyera un modelo de un cristal de silicio con un átomo faltante, el sistema identificó correctamente cómo cambiaba la simetría del cristal e informó de la nueva disposición de los átomos restantes. Cuando se le pidió combinar dos materiales diferentes, el sistema calculó la mejor forma de alinear sus rejillas atómicas para minimizar el estrés, presentando las opciones a la IA para su selección. En los dieciocho ejemplos probados, las estructuras construidas por la IA eran matemáticamente consistentes y geométricamente sólidas, coincidiendo con los resultados de los cálculos manuales.

Este trabajo representa un paso significativo hacia la autonomía de la investigación científica. Al equipar a los agentes de IA con herramientas especializadas y fiables, los investigadores han eliminado la necesidad de que la IA escriba su propio código para tareas estructurales básicas. Esto reduce la posibilidad de error y permite que la IA se concentre en el razonamiento científico en lugar de en los detalles mecánicos de la construcción. El sistema es de código abierto, lo que significa que otros científicos pueden usarlo para construir sus propios modelos, y está diseñado para funcionar con cualquier marco de IA que soporte el Protocolo de Contexto de Modelo (Model Context Protocol). El objetivo final no es solo construir modelos más rápido, sino crear un flujo de trabajo donde un investigador pueda plantear una pregunta científica en lenguaje sencillo, y la IA pueda encargarse de todo el proceso de configuración del experimento, desde la disposición atómica inicial hasta el análisis final de los datos. Si bien la versión actual se centra en la construcción de estructuras, el mismo enfoque podría aplicarse eventualmente a la ejecución de las simulaciones y al análisis de los resultados, acercando el campo a un futuro donde los científicos definen los objetivos y las máquinas se encargan de la ejecución.