En el mundo de la ciencia de materiales, diseñar la próxima generación de pantallas electrónicas a menudo se siente como buscar una aguja en un pajar, pero el pajar está hecho de átomos invisibles y la aguja es una disposición específica de energía. Los científicos buscan constantemente nuevas moléculas orgánicas que puedan emitir luz de manera eficiente, particularmente para su uso en diodos orgánicos de emisión de luz, o OLED. Para encontrar estas moléculas, los investigadores dependen tradicionalmente de dos métodos: ejecutar simulaciones computacionales complejas que tardan días en terminar, o realizar experimentos físicos que son costosos y lentos. Ambos enfoques tienen dificultades cuando no hay suficientes datos para entrenar a una computadora para que reconozca patrones, una situación común en la investigación de vanguardia donde los nuevos materiales son escasos. Durante décadas, la esperanza ha sido que la inteligencia artificial pudiera aprender a predecir cómo se comportará una molécula con solo mirar su forma, pero estos modelos computacionales suelen fallar cuando carecen de vastas bibliotecas de ejemplos para estudiar. Tienden a adivinar al azar en lugar de comprender las reglas subyacentes, de forma muy similar a un estudiante que memoriza respuestas sin entender la lección.

Un equipo de investigadores ha encontrado una manera de enseñar a las computadoras a pensar más como los expertos humanos al observar cómo esos expertos realmente estudian las moléculas. En lugar de obligar a la computadora a aprender de millones de puntos de datos que no tiene, los científicos registraron los movimientos oculares de químicos experimentados mientras estudiaban la estructura de moléculas orgánicas en una pantalla. Descubrieron que estos expertos no solo miran fijamente; siguen un patrón de atención específico y repetible. Primero, escanean la molécula rápidamente, ralentizándose solo cuando llegan a las conexiones críticas entre las diferentes partes de la estructura. Luego, se enfocan intensamente en áreas específicas para comprender cómo interactúan esas partes. Al traducir estos hábitos visuales al lenguaje del código computacional, los investigadores construyeron un nuevo tipo de inteligencia artificial que imita esta forma humana de ver. Este modelo, entrenado con un conjunto relativamente pequeño de moléculas, aprendió a predecir la distribución de electrones dentro de una molécula con una precisión que rivaliza con las simulaciones computacionales más potentes y laboriosas, ofreciendo al mismo tiempo una ventana clara de por qué tomó esas predicciones.

El núcleo de este descubrimiento reside en comprender cómo los expertos humanos procesan la información visual. Cuando un químico mira una molécula compleja, sus ojos no se mueven en una línea suave y continua. En cambio, saltan rápidamente de un lugar a otro, un movimiento conocido como sacada, y luego hacen una pausa para reunir información, una pausa llamada fijación. Los investigadores descubrieron que cuando estos expertos analizaban las propiedades electrónicas de una molécula, sus ojos se comportaban de una manera muy específica. Durante los primeros segundos de observación de una nueva estructura, sus ojos se movían rápidamente pero se ralentizaban significativamente cada vez que pasaban sobre los "puentes" que conectan las partes donantes y aceptoras de electrones de la molécula. Estas zonas de ralentización, que los investigadores llamaron Zonas de Sacada Decelerada, revelaron que los expertos estaban procesando activamente las conexiones más importantes. A medida que pasaba el tiempo, los expertos dejaban de escanear y comenzaban a mantener su mirada en grupos específicos de átomos durante períodos más largos, integrando la información que habían reunido. Este proceso de dos etapas —primero un escaneo amplio con una ralentización enfocada, seguido de una atención profunda y sostenida— fue el patrón clave que el equipo quería capturar.

Para convertir esta observación en una herramienta funcional, los investigadores construyeron un modelo computacional que replica estas dos etapas de la atención humana. La primera parte del modelo actúa como el escaneo inicial, utilizando una red diseñada para observar piezas pequeñas y locales de la molécula y luego vincularlas rápidamente para comprender la forma general. Esto imita los movimientos oculares rápidos y la ralentización sobre los puentes críticos. La segunda parte del modelo actúa como el enfoque profundo, utilizando un mecanismo que permite a la computadora retener la información más importante mientras descarta los detalles menos relevantes, de manera similar a cómo la mente humana filtra las distracciones para concentrarse en el problema central. Al entrenar este sistema con un conjunto de datos de 733 moléculas orgánicas conocidas por su capacidad de emitir luz eficientemente, el modelo aprendió a predecir dónde se localizarían los electrones dentro de la molécula. Los resultados fueron sorprendentes: el modelo predijo la distribución de electrones con una tasa de error de menos del uno por ciento en comparación con las simulaciones computacionales de alto poder que usualmente toman días en ejecutarse.

Lo que hace que este logro sea particularmente significativo no es solo la precisión, sino el hecho de que el modelo evita los errores comunes cometidos por otros sistemas de inteligencia artificial. Los modelos computacionales estándar suelen tener dificultades cuando una molécula tiene múltiples partes similares, confundiéndose frecuentemente sobre qué parte está haciendo qué, o podrían asignar incorrectamente las propiedades eléctricas a los átomos equivocados. El nuevo modelo, sin embargo, identificó consistentemente las regiones correctas, mostrando una intuición química de la que carecen los modelos puramente basados en datos. Esto se debe a que el modelo fue construido para priorizar las mismas interacciones estructurales que los expertos humanos valoran. Cuando los investigadores miraron dentro del modelo para ver a qué estaba "prestando atención", encontraron que este resaltaba exactamente las mismas conexiones y grupos funcionales que los expertos humanos habían examinado ralentizando sus ojos. La computadora había aprendido efectivamente a ver la molécula como lo hace un químico, enfocándose en los puentes y las uniones críticas que determinan cómo funcionará el material.

Las implicaciones de este trabajo se extienden más allá de simplemente obtener la respuesta correcta más rápido. En el pasado, la inteligencia artificial en la ciencia ha sido a menudo una "caja negra", donde una computadora da una predicción sin explicar cómo llegó a esa conclusión. Este nuevo enfoque ofrece una visión clara del proceso de razonamiento. Debido a que los mecanismos de atención del modelo están alineados con el comportamiento visual humano, los científicos pueden observar la salida del modelo y ver exactamente qué partes de la molécula considera importantes. Esto proporciona un mapa cuantitativo de cómo las diferentes partes de una molécula se influyen entre sí, ofreciendo una nueva herramienta para diseñar mejores materiales. Los investigadores demostraron que el modelo podía identificar pares estructurales específicos que tienen una fuerte influencia en las propiedades electrónicas de la molécula, proporcionando una guía para los químicos sobre dónde realizar cambios para mejorar el rendimiento. Al integrar los patrones cognitivos humanos directamente en la arquitectura de la máquina, el equipo ha creado un sistema que no solo calcula, sino que comprende, cerrando la brecha entre la intuición humana y el poder computacional en un campo donde los datos son escasos y la precisión lo es todo.