Resulta llamativo que una disciplina capaz de manipular átomos individuales haya pasado tanto tiempo trabajando dentro de compartimentos relativamente rígidos. La ciencia de los materiales ha avanzado gracias a la especialización. Los especialistas estudian óxidos con otros óxidos, metales con otros metales y catalizadores monoatómicos con sistemas similares. Esa estrategia ha producido avances extraordinarios, pero también ha levantado barreras difíciles de percibir desde dentro.

Durante mucho tiempo, los científicos exploraron los catalizadores dentro de familias separadas porque era la forma más razonable de organizar un entramado casi inabarcable. Cada conjunto de compuestos desarrolló sus propias reglas, métodos experimentales y criterios de evaluación.

Sin embargo, esa división escondía preguntas que debían plantearse: ¿y si los mejores catalizadores no estuvieran dentro de un linaje específico?, ¿y si algunas de las configuraciones más prometedoras surgieran precisamente en las zonas de contacto entre sistemas que tradicionalmente se estudian por separado?

Esa es la cuestión que acaba de abordar un equipo del Instituto de Ciencias Básicas de Corea del Sur. La herramienta elegida para intentarlo no fue un nuevo reactor químico ni una técnica experimental revolucionaria, sino una inteligencia artificial. Y el fruto de su labor se ha publicado en Nature Materials.

El gran problema del hidrógeno verde

El interés por encontrar mejores catalizadores no responde únicamente a una curiosidad académica. Existe una razón tecnológica de primer orden: la electrólisis necesita catalizadores eficientes para producir hidrógeno verde a partir del agua sin generar emisiones directas de carbono. Sobre el papel, el proceso parece sencillo. Una corriente eléctrica separa las moléculas de agua en hidrógeno y oxígeno. En la práctica, las cosas se complican bastante más.

Uno de los principales obstáculos es la denominada reacción de evolución de oxígeno, conocida por sus siglas inglesas OER. Se trata de una etapa relativamente lenta que consume una cantidad considerable de energía. Cuanto mejor funcione el catalizador encargado de facilitarla, menor será el coste energético de producir hidrógeno.

Por ese motivo, laboratorios de todo el mundo buscan materiales capaces de acelerar esta reacción. El problema es que el espacio de posibilidades resulta gigantesco. La dificultad ya no consiste solo en encontrar un buen catalizador, sino en decidir dónde buscar entre millones de combinaciones posibles. Porque, a medida que aumenta el número de elementos químicos, estructuras cristalinas y configuraciones superficiales disponibles, la exploración tradicional empieza a parecerse a buscar una aguja en un pajar que no deja de crecer.

Cuanto mejor funcione el catalizador encargado de facilitar la reacción de evolución de oxígeno, menor será el coste energético de producir hidrógeno verde.

Una IA que aprende dos idiomas químicos a la vez

Para afrontar ese desafío, los investigadores desarrollaron un modelo denominado Crossbreeding Neural Network (CBNN) o Red Neuronal de Cruce de Conocimientos. La inteligencia artificial aprendió simultáneamente de dos grandes linajes de catalizadores que hasta ahora se habían investigado por caminos separados: por un lado, los llamados catalizadores monoatómicos soportados sobre materiales de carbono; por otro, los óxidos de tipo perovskita, una de las familias más estudiadas dentro de la ciencia de los materiales contemporánea.

Cada una de ellas aporta pistas diferentes. Los catalizadores monoatómicos ayudan a comprender cómo se comportan los átomos individuales sobre una superficie activa. Las perovskitas, en cambio, permiten estudiar cómo la estructura cristalina interna influye sobre el rendimiento químico. Y la novedad del trabajo consiste en que la CBNN no trata los dos conjuntos de datos como compartimentos aislados, sino que integra ambos cuerpos de conocimiento de manera concurrente.

Podría compararse con alguien que estudia dos idiomas de forma paralela hasta empezar a detectar regularidades compartidas entre ambos. En cierto momento, deja de memorizar vocabulario por separado y comienza a comprender reglas más profundas.

Hay otro aspecto revelador. El sistema no procesa toda la información de la misma manera. La disposición de los átomos sobre la superficie del catalizador se interpreta de modo visual, mientras que la estructura interna de la perovskita se representa mediante grafos, una herramienta matemática utilizada para describir relaciones complejas. Dicho de forma simplificada, la IA aprende a mirar una parte del material y a razonar sobre la otra.

El momento en que ocurrió algo inesperado

Aquí aparece el hallazgo que convierte este trabajo en algo más que otro artículo sobre inteligencia artificial aplicada a la química. El modelo predijo el comportamiento de una clase de materiales que nunca había visto antes durante su entrenamiento. En lugar de limitarse a comparar sistemas conocidos, utilizó los conocimientos adquiridos para aventurarse en un ámbito completamente nuevo.

La plataforma resultante combinaba elementos de ambos mundos. El equipo ancló átomos metálicos individuales sobre la superficie de partículas de perovskita, creando una arquitectura híbrida que reunía ventajas procedentes de los dos enfoques.

Lo más destacable es que la IA consiguió ordenar correctamente el rendimiento de los 12 catalizadores experimentales fabricados dentro de este grupo inédito. Y este resultado merece atención. Muchos algoritmos funcionan muy bien cuando se mueven dentro de los límites de los datos con los que fueron entrenados. Pero aquí ocurrió algo diferente: la Red Neuronal tuvo que extrapolar hacia un conjunto de materiales que no formaba parte de su experiencia previa.

La IA ancló átomos metálicos individuales sobre la superficie de partículas de perovskita, creando una arquitectura híbrida que reunía ventajas procedentes de los dos enfoques.

Es decir, la IA no se limitó a recordar ejemplos conocidos; fue capaz de emitir juicios útiles sobre materiales pertenecientes a una categoría completamente nueva. Y eso acerca el trabajo a un tipo de aprendizaje mucho más general que el habitual en este campo.

Más de 8.000 candidatos para encontrar uno mejor

Una vez validada la estrategia, el equipo amplió la escala de la búsqueda. La IA examinó 8.008 candidatos y seleccionó una propuesta especialmente prometedora para la reacción de evolución de oxígeno, incorporando tungsteno, molibdeno, rutenio y rodio anclados sobre una perovskita denominada CPCF.

La fórmula química completa resulta bastante menos importante que la lógica subyacente. Lo decisivo es que el algoritmo identificó una configuración multimetálica extremadamente difícil de detectar mediante métodos convencionales. La estructura seleccionada tampoco era sencilla y, a medida que aumenta el número de metales presentes en un catalizador, las posibles interacciones crecen de forma explosiva, lo que convierte la exploración tradicional en una tarea lenta en grado sumo.

El algoritmo identificó una configuración multimetálica extremadamente difícil de detectar mediante métodos convencionales.

Cada nuevo elemento añadido multiplica las posibilidades disponibles. Cuando varios metales interactúan a la vez, el número de combinaciones crece con una rapidez enorme. Explorar ese espacio mediante ensayo y error se vuelve cada vez menos práctico. Por esa razón, la capacidad de descartar miles de candidatos y concentrarse en unas pocas opciones prometedoras constituye una ventaja considerable.

Cuando la teoría sale del ordenador

Uno de los mayores riesgos de muchas investigaciones basadas en inteligencia artificial es que los resultados nunca abandonan la pantalla. En esta ocasión, ocurrió lo contrario: los investigadores sintetizaron el catalizador propuesto y confirmaron experimentalmente su rendimiento mediante pruebas de laboratorio. El material superó a las perovskitas estudiadas previamente, mostró mejores resultados que los catalizadores monoatómicos soportados sobre carbono y también aventajó a todas las estructuras monometálicas fabricadas durante el trabajo.

Ese paso resulta decisivo porque transforma una predicción computacional en una evidencia experimental. No basta con que un algoritmo sugiera una idea atractiva, sino que la química tiene la costumbre de exigir demostraciones tangibles. Y la realidad suele ser bastante menos indulgente que las simulaciones. Precisamente por eso, la validación experimental representa uno de los aspectos más sólidos del estudio.

La IA empieza a entender el lenguaje común de los materiales

Más allá del hidrógeno verde, la aportación conceptual del trabajo resulta aún más sugestiva. El sistema identificó patrones compartidos entre materiales aparentemente desconectados utilizando técnicas de inteligencia artificial explicable. Los autores pudieron visualizar qué características químicas influían más sobre la actividad catalítica y detectar interacciones beneficiosas entre distintos átomos metálicos.

Entre los factores relevantes aparecieron propiedades como el estado de oxidación, la electronegatividad, el radio iónico o el número de electrones d de valencia.

Para mejorar la precisión de las predicciones, el equipo desarrolló además un mecanismo automático de selección de descriptores que combinaba análisis estadístico y procesamiento del lenguaje natural. Entre cientos de variables posibles, la IA identificó por sí sola cuáles eran las propiedades más estrechamente relacionadas con la actividad catalítica en ambos grupos de materiales.

Todo ello apunta hacia una idea sugerente: quizá existan principios comunes capaces de atravesar categorías que hasta ahora parecían independientes. Los autores describen ese fenómeno como una especie de lenguaje compartido entre distintos sistemas materiales. Una vez interiorizado ese patrón común, la IA puede emplearlo para proponer direcciones de diseño que los investigadores humanos no habían considerado.

Entonces, cuando una inteligencia artificial aprende el lenguaje común de los materiales, se aventura más allá de las fronteras que sus creadores habían definido previamente. La frase resume bastante bien el alcance potencial del trabajo.

Mucho más que hidrógeno verde

Aunque la producción de hidrógeno constituye la aplicación inmediata, los investigadores creen que el método podría extenderse mucho más allá. El marco desarrollado podría acelerar el descubrimiento de baterías y materiales energéticos avanzados mediante la integración de bases de datos heterogéneas. Ese desafío aparece una y otra vez en numerosos ámbitos científicos.

Las baterías combinan materiales tremendamente diferentes. Lo mismo ocurre con los sistemas de almacenamiento energético, los dispositivos electrónicos e incluso algunos procesos de descubrimiento farmacológico.

La posibilidad de conectar esos saberes dispersos como en este estudio podría convertirse en una herramienta muy valiosa para acelerar la innovación.

En todos esos casos existen grandes cantidades de datos dispersos entre comunidades científicas que rara vez trabajan con los mismos modelos, y la posibilidad de conectar esos saberes dispersos podría convertirse en una herramienta muy valiosa para acelerar la innovación.

Una nueva forma de hacer ciencia de materiales

Durante décadas, la ciencia de los materiales ha organizado el conocimiento en categorías relativamente bien delimitadas. Esa clasificación ha sido de lo más útil. Sin ella, sería imposible comprender estructuras tan sofisticadas.

Sin embargo, las fronteras que ayudan a entender el mundo también pueden limitar la imaginación. En este trabajo, la inteligencia artificial, no solo combinó datos experimentales procedentes de materiales distintos, sino que también empleó herramientas de análisis estadístico y procesamiento del lenguaje natural para identificar relaciones químicas que atravesaban esas categorías. Los autores creen que el mismo enfoque podría extenderse algún día al diseño de baterías, sistemas de almacenamiento energético e incluso nuevos fármacos.

La IA encontró conexiones entre materiales que los especialistas estudiaban por separado y aprovechó esos resultados para proponer una nueva plataforma catalítica que no existía en sus datos de entrenamiento. Tal vez, esa sea la lección más interesante del estudio. Durante décadas, hemos ordenado la materia en compartimentos para poder comprenderla mejor. Lo que este trabajo sugiere es que algunas de las configuraciones más prometedoras podrían aparecer precisamente cuando esas divisiones dejan de funcionar como fronteras.