Selección computacional en lugar de prueba y error empírica: nuevos enfoques para los materiales de baterías
El artículo muestra cómo las bases de datos computacionales, el aprendizaje automático y los modelos generativos reducen el conjunto de composiciones prometedoras, mientras que los laboratorios automatizados aceleran su validación; aun así, el resultado depende de la síntesis y las pruebas, donde las predicciones pueden diferir de la conductividad real.

Por qué la búsqueda empírica se topa con los límites de escala
La búsqueda tradicional de materiales avanza de forma secuencial: síntesis de la composición, medición de las propiedades y ajuste de los parámetros. Este ciclo no funciona bien cuando hay millones de materiales posibles.

- Los fabricantes de baterías necesitan celdas con una gran capacidad energética, carga rápida, larga vida útil y bajo coste.
- Las propiedades dependen de la combinación de elementos y de la estructura cristalina.
- La síntesis y la medición secuenciales no se escalan bien a millones de composiciones.
Criterio práctico: conviene iniciar la búsqueda experimental después del filtrado computacional, no en lugar de este.
Datos y modelos como primer filtro
Los modelos de aprendizaje automático utilizan cálculos y datos anteriores. Estiman las propiedades de materiales que aún no se han medido y descartan las opciones menos prometedoras. En la literatura científica de acceso abierto hay datos experimentales de menos del 1 % de los compuestos.
| Recurso o modelo | Función | Datos |
|---|---|---|
| Materials Project | Base de datos y herramientas para materiales | El proyecto se puso en marcha en 2011 en Berkeley Lab. Cuenta con más de 650 000 usuarios registrados. Estudios revisados por pares han citado sus datos y herramientas más de 32 000 veces. La biblioteca contiene más de 200 000 materiales y más de 577 000 moléculas. No se necesitan conocimientos de programación para utilizarla. |
| GNoME | Predicción de la estabilidad de los cristales | Google DeepMind entrenó el modelo con datos de Materials Project. Se añadieron nuevos compuestos a la base de datos. |
| MatterGen | Modelo generativo para materiales inorgánicos | Microsoft creó el modelo. Utiliza el mismo recurso. El modelo propone nuevas estructuras para su evaluación. |
Criterio práctico: un modelo es útil si reduce la lista de candidatos y se basa en datos calculados y experimentales. No sustituye la comprobación final de las propiedades.
Embudo: de millones de composiciones a una lista breve
El proceso de selección empieza con una lista extensa y termina con la decisión de sintetizar. Microsoft y Pacific Northwest National Laboratory utilizaron modelos de IA para buscar materiales inorgánicos. Los modelos predijeron la estabilidad y la conductividad iónica.
| Etapa | Qué ocurre | Resultado |
|---|---|---|
| Búsqueda inicial | Los modelos de IA estudian posibles materiales inorgánicos. | Más de 32 millones de opciones. |
| Filtro de estabilidad | Los modelos seleccionan candidatos estables. | Más de 500 000 candidatos. |
| Reducción de la lista | El filtrado reduce la lista. | 150 candidatos y, después, 18 para la evaluación de expertos. |
| Comprobación física | Los superordenadores calculan con más detalle las opciones más prometedoras. | Propiedades más precisas. |
| Decisión de síntesis | Los científicos seleccionan materiales para el laboratorio. | Una lista breve de materiales que fabricar. |
Los cálculos tardaron 80 horas. El equipo estimó que los métodos anteriores habrían necesitado 20 años.
Criterio práctico: un embudo computacional es útil si cada filtro sucesivo es más estricto que el anterior y los científicos mantienen la decisión de sintetizar.
Donde los cálculos se encuentran con el laboratorio
Una lista calculada solo se convierte en un material después de su síntesis y evaluación. Investigadores de Pacific Northwest National Laboratory llegaron desde un candidato calculado hasta una celda funcional.
- Fabricaron un electrolito sólido en el que parte del litio se sustituyó por sodio.
- Obtuvieron un material con menos litio que las baterías de iones de litio existentes.
- Montaron una batería de estado sólido y la probaron a temperatura ambiente y a temperatura elevada.
- Registraron una conductividad inferior a las expectativas iniciales.
- Reconocieron la necesidad de una evaluación exhaustiva antes de la producción en masa.
- El paso de una lista generada por ordenador a una celda llevó semanas.
En Berkeley Lab opera A-Lab: robots controlados por IA fabrican materiales. La cadena de modelado se combina con experimentos automatizados. En Europa, la iniciativa Battery 2030 plus trabaja con un objetivo similar.
Criterio práctico: la selección computacional acorta el camino hasta el experimento, pero no garantiza las propiedades anunciadas. Las pruebas determinan si la celda funciona.
Criterios de madurez de la selección computacional
La selección computacional no se reduce a un único modelo. Funciona como una cadena de decisiones.
| Criterio | Qué indica |
|---|---|
| Datos | El modelo se basa en cálculos y mediciones anteriores. |
| Propiedades objetivo | El modelo evalúa la estabilidad y la conductividad iónica. |
| Cascada de verificación | Las opciones más prometedoras se someten a cálculos físicos más detallados. |
| Papel de los expertos | Los científicos seleccionan los materiales para la síntesis en laboratorio. |
| Experimento | Las propiedades se comprueban en el material fabricado. |
Criterio práctico: el enfoque está maduro si permite pasar de una lista extensa a candidatos verificables y mantiene la comprobación experimental. De lo contrario, se queda en el cálculo.
Preguntas frecuentes
Material similar
Todos los materiales
Sistema de IA multiagente compuesto con un circuito de evidencia para la planificación de protones en tumores de cabeza y cuello
El trabajo describe la combinación de una política PPO entrenada, que genera varias opciones de plan, y agentes LLM que mantienen un diálogo de уточнение guiado por la verificación de métricas clínicas y restricciones; en una muestra de 21 pacientes, Qwen3-14B, ajustado con entrenamiento adicional, siguió mejor las instrucciones y ayudó a orientar el equilibrio hacia los objetivos prioritarios. La conclusión práctica es que la planificación DRL automatizada puede complementarse con un diálogo guiado, manteniendo el control sobre las restricciones en conflicto.
20 noviembre 2026
Evolución de los benchmarks de agentes al escalar el conjunto de tareas: el papel de la selección de evidencias y las carreras secuenciales
El trabajo explica por qué aumentar el número de tareas puede perjudicar la evolución de los entornos de agentes: la causa es una selección inadecuada de evidencias, no el volumen de datos en sí. El método propuesto, Successive Scale Racing, selecciona sucesivamente combinaciones diversas de tareas y compara candidatos a bajo coste; en tres benchmarks, aumentó la proporción de ejecuciones exitosas al ampliar el conjunto de 40 a 200 tareas, mientras que los métodos de referencia empeoraron y el número de ejecuciones de validación se redujo en aproximadamente un 60 %.
19 noviembre 2026
Persuasión mutua entre modelos: las posturas declaradas no coinciden con su comportamiento en el diálogo
En debates controlados sobre las causas del cambio climático, cuatro parejas de GPT-6 Luna y Gemini 2.5 Flash Lite muestran dinámicas distintas de convergencia o divergencia de posturas. La instrucción explícita de persuadir no produce un efecto sostenido, y la posición declarada y el estilo habitual de debate no reflejan lo mismo.
19 noviembre 2026