¿QuĆ© significa la inteligencia artificial en la fĆ”brica de materiales? ¿Cómo puede ayudar a elegir la mejor combinación de ingredientes para lograr determinadas propiedades para una amplia variedad de propósitos? Resulta que es fundamental poder digerir los cientos de miles de posibles combinaciones quĆmicas que existen a la hora de formar una aleación o un compuesto cerĆ”mico o polimĆ©rico, entre los cientos de posibles rutas de fabricación.
La entrada en la ecuación de nuevos criterios de sostenibilidad que nos empujan a producir sin emisiones de CO₂ y sin el uso de materias primas esenciales (crĆticas o estratĆ©gicas) hace que las posibles combinaciones entre materias primas, tĆ©cnicas de producción y variables que limitan tanto materiales como procesos sean casi infinitas.

Un brazo robótico transporta muestras para su ensayo en el laboratorio IMDEA Materiales de Madrid. Andrew Johnston / Materiales IMDEA Cómo nos ayudan los algoritmos
Asimismo, hoy contamos con técnicas de caracterización de materiales, desde la escala atómica hasta la macro, lo que nos permite conocer muy bien los materiales, sus defectos y las causas que pueden provocarlos. Este conocimiento abre aún mÔs el abanico de parÔmetros que podemos tener en cuenta a la hora de diseñar un nuevo material.
Esto serĆa humanamente imposible de gestionar, si no fuera por los algoritmos de simulación que juegan con variables casi infinitas y son capaces de sugerir y probar combinaciones personalizadas.
Para ello necesitamos una enorme potencia informĆ”tica, que hoy estĆ” a nuestro alcance gracias a sistemas de procesamiento avanzados que nos permiten realizar cĆ”lculos complejos en un tiempo reducido. Y esto mejorarĆ” aĆŗn mĆ”s cuando las computadoras cuĆ”nticas se conviertan en una realidad en el mercado. Hoy en dĆa, con un portĆ”til de gama media podemos hacer cĆ”lculos equivalentes a los que hace media docena de aƱos requerĆan un "cluster" de muchos procesadores.
Cómo crear datos útiles
Pero todo esto tiene un punto dĆ©bil: la necesidad de datos. Los algoritmos de inteligencia artificial necesitan miles de datos fiables para alimentar sus rutinas de cĆ”lculo y ofrecernos soluciones sostenibles. Provienen de bases de datos abiertas de proyectos de investigación (la Unión Europea obliga a que todos los proyectos que financia tengan una gestión de datos que permita el libre acceso), registros tĆ©cnicos, publicaciones cientĆficas…
Sin embargo, no son suficientes. Para generar datos abundantes y fiables tenemos que recurrir a las llamadas técnicas de caracterización y producción de alto rendimiento. Con ellos podemos producir datos que de alguna manera estÔn relacionados con los métodos de producción de nuestro diseño y el perfil de propiedad que esperamos de nuestro material futuro.
Hoy en dĆa existen tĆ©cnicas que nos permiten producir bibliotecas de aleaciones en muy poco tiempo, con cientos de composiciones diferentes. Y tĆ©cnicas de caracterización que, con un pequeƱo ensayo, aportan información relacionada con diversas caracterĆsticas del material. Estos datos, con propiedades especĆficas y mĆ©todos de producción especĆficos, son extremadamente valiosos para entrenar herramientas de IA.
Laboratorios sin presencia de personas
AdemĆ”s, podemos lograr un gran avance si estas tĆ©cnicas de alto rendimiento son manipuladas por robots, lo que nos permitirĆa trabajar 24 horas al dĆa, 7 dĆas a la semana. Ya existen laboratorios robóticos, donde el material se produce en un puesto de trabajo y en otros se prueban sus diversas propiedades, con robots a cargo de todos los procesos. Los resultados se guardan para entrenar herramientas de IA.
En el Instituto de Materiales IMDEA (Madrid) existe un Robotlab donde se producen nanocompuestos poliméricos y se prueban sus propiedades mecÔnicas y su posible degradación, sin la participación de ningún ser humano.
No es el primer laboratorio donde se desarrolla esta idea. Hay otras iniciativas, pero siempre relacionadas con el descubrimiento de pequeƱas molĆ©culas o la sĆntesis de materiales de base lĆquida. O, en el caso de la industria farmacĆ©utica, al desarrollo de nuevos fĆ”rmacos.

Un brazo robótico transporta tubos de ensayo al RobotLab de IMDEA Materiales en Madrid. Andrew Johnston / IMDEA Materiales. Produzca materiales a la velocidad del rayo
Google ha creado una herramienta llamada GNoMe que puede preparar cientos de miles de recetas de nuevos compuestos estables con propiedades que se utilizarĆ”n en el desarrollo de supercomputadores o nuevas generaciones de baterĆas.
Su base de datos ofrece cerca de 400.000 nuevos materiales con potencial suficiente para producción y prueba, como seƱala un artĆculo publicado en Nature en 2023.
En un artĆculo posterior, tambiĆ©n publicado en Nature, los investigadores presentan el laboratorio llamado A-lab, donde estos materiales se sintetizan de forma completamente robótica (a razón de 41 composiciones en 17 dĆas) y se verifica su estructura cristalina mediante difracción de rayos X.
Actualmente, en IMDEA Materiales estamos desarrollando otro laboratorio de biomateriales robóticos para ingenierĆa de tejidos. SegĆŗn el Dr. Maciej Haranczyk, jefe del equipo, permitirĆ” "realizar en menos de una semana un trabajo experimental de tesis doctoral que habrĆa llevado mĆ”s de tres aƱos".
¿Fin del trabajo humano?
A mucha gente le preocupa que todo esto acabe con la necesidad de seres humanos, un debate que se remonta a la Revolución Industrial. La mÔquina de vapor serÔ la causa del desempleo para gran parte de la población. Entonces la causa serÔ la automatización, luego la robotización y ahora la inteligencia artificial.
Sin embargo, los paĆses con mayor implantación de la robotización son los que tienen menores tasas de paro, segĆŗn datos del Instituto EspaƱol de IngenierĆa.
0 Comentarios