\n<\/p>\n
Los equipos de Google DeepMind, asociados con el Laboratorio Nacional Lawrence Berkeley, han publicado dos art\u00edculos en la prestigiosa revista Nature sobre c\u00f3mo la inteligencia artificial puede provocar un salto cu\u00e1ntico…<\/p>\n
Los equipos de Google DeepMind, asociados al Laboratorio Nacional Lawrence Berkeley, han publicado dos art\u00edculos en la prestigiosa revista Naturaleza<\/em> sobre c\u00f3mo la inteligencia artificial puede provocar un salto cu\u00e1ntico en la ciencia de los materiales. Los alentadores resultados podr\u00edan acelerar considerablemente la innovaci\u00f3n en los campos de las bater\u00edas, la energ\u00eda fotovoltaica o los chips.<\/p>\n Un resultado que recuerda al trabajo de DeepMind con prote\u00ednas. GNoME, para Graph Networks for Materials Exploration, descubri\u00f3 en 17 d\u00edas estructuras cristalinas potencialmente m\u00e1s estables que las conocidas actualmente. 2,2 millones frente a 48 000. Estas combinaciones a\u00fan deben verificarse experimentalmente en el laboratorio, pero los autores del estudio son optimistas: durante su investigaci\u00f3n, 736 estructuras propuestas por GNoME fueron descubiertas tambi\u00e9n por cient\u00edficos de otras partes del mundo, independientes de Google DeepMind. y el Laboratorio Nacional Lawrence Berkeley.<\/p>\n El proceso de b\u00fasqueda habitual para encontrar estructuras cristalinas estables mediante prueba y error, investigaci\u00f3n y desarrollo es lento. Se trata de intentarlo, fracasar y empezar de nuevo, s\u00f3lo para lograr resultados a veces decepcionantes.<\/p>\n Google DeepMind informa que la tecnolog\u00eda digital ya ha impulsado significativamente el sector, con 28.000 nuevos materiales descubiertos gracias a la base de datos de acceso abierto Materials Project. Esto es lo que utilizaron los desarrolladores de GNoME para entrenar su modelo de aprendizaje profundo.<\/p>\n GNoME funciona con dos canales. Se crean candidatos con estructuras similares a las conocidas. El otro es m\u00e1s aleatorio, con f\u00f3rmulas qu\u00edmicas. Los resultados se eval\u00faan antes de enriquecer el proceso de aprendizaje de GNoME. Cr\u00e9dito: Google DeepMind<\/p>\n<\/div>\n \u201c Esperamos que grandes mejoras en la experimentaci\u00f3n, la s\u00edntesis aut\u00f3noma y los modelos de aprendizaje autom\u00e1tico reduzcan significativamente este plazo, de 10 a 20 a\u00f1os, a algo mucho m\u00e1s razonable.<\/em> dijo uno de los coautores del estudio, Ekin Dogus Cubuk.<\/p>\n 381.000 estructuras, consideradas las m\u00e1s prometedoras, ser\u00e1n de libre acceso para la comunidad investigadora. Esto nos permitir\u00e1 pasar a la fase de experimentaci\u00f3n. Un segundo art\u00edculo, de investigadores del Laboratorio Nacional Lawrence Berkeley, muestra c\u00f3mo utilizar las predicciones de la IA para la s\u00edntesis de materiales. Lograron la creaci\u00f3n aut\u00f3noma de 41 de 58 compuestos, una alta tasa de \u00e9xito del 70%.<\/p>\n Se han descubierto 52.000 compuestos potenciales similares al grafeno, frente a los 1.000 existentes. Esto podr\u00eda tener un impacto significativo en el mundo de los chips. Tambi\u00e9n se han destacado 528 conductores potenciales de iones de litio, esenciales para las bater\u00edas, lo que supone 25 veces m\u00e1s que el \u00faltimo estudio sobre el tema.<\/p>\n Los equipos que trabajaron en el proyecto creen que su trabajo podr\u00eda permitir avances significativos en tecnolog\u00edas disruptivas, como los superconductores, la alimentaci\u00f3n de superordenadores o las bater\u00edas de nueva generaci\u00f3n.<\/p>\n<\/div>\nDeepMind ofrecer\u00e1 acceso abierto a los 381.000 materiales m\u00e1s prometedores<\/h2>\n