¿QuĆ© significa la inteligencia artificial en la fĆ”brica de materiales? ¿CĆ³mo puede ayudar a elegir la mejor combinaciĆ³n de ingredientes para lograr determinadas propiedades para una amplia variedad de propĆ³sitos? Resulta que es fundamental poder digerir los cientos de miles de posibles combinaciones quĆmicas que existen a la hora de formar una aleaciĆ³n o un compuesto cerĆ”mico o polimĆ©rico, entre los cientos de posibles rutas de fabricaciĆ³n.
La entrada en la ecuaciĆ³n 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 producciĆ³n y variables que limitan tanto materiales como procesos sean casi infinitas.
Un brazo robĆ³tico transporta muestras para su ensayo en el laboratorio IMDEA Materiales de Madrid. Andrew Johnston / Materiales IMDEA CĆ³mo nos ayudan los algoritmos
Asimismo, hoy contamos con tĆ©cnicas de caracterizaciĆ³n de materiales, desde la escala atĆ³mica hasta la macro, lo que nos permite conocer muy bien los materiales, sus defectos y las causas que pueden provocarlos. Este conocimiento abre aĆŗn mĆ”s el abanico de parĆ”metros que podemos tener en cuenta a la hora de diseƱar un nuevo material.
Esto serĆa humanamente imposible de gestionar, si no fuera por los algoritmos de simulaciĆ³n 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.
CĆ³mo crear datos Ćŗtiles
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 investigaciĆ³n (la UniĆ³n Europea obliga a que todos los proyectos que financia tengan una gestiĆ³n 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 tĆ©cnicas de caracterizaciĆ³n y producciĆ³n de alto rendimiento. Con ellos podemos producir datos que de alguna manera estĆ”n relacionados con los mĆ©todos de producciĆ³n de nuestro diseƱo 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 caracterizaciĆ³n que, con un pequeƱo ensayo, aportan informaciĆ³n relacionada con diversas caracterĆsticas del material. Estos datos, con propiedades especĆficas y mĆ©todos de producciĆ³n 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 robĆ³ticos, 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 polimĆ©ricos y se prueban sus propiedades mecĆ”nicas y su posible degradaciĆ³n, sin la participaciĆ³n de ningĆŗn 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 robĆ³tico 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 producciĆ³n 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 robĆ³tica (a razĆ³n de 41 composiciones en 17 dĆas) y se verifica su estructura cristalina mediante difracciĆ³n de rayos X.
Actualmente, en IMDEA Materiales estamos desarrollando otro laboratorio de biomateriales robĆ³ticos 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 RevoluciĆ³n Industrial. La mĆ”quina de vapor serĆ” la causa del desempleo para gran parte de la poblaciĆ³n. Entonces la causa serĆ” la automatizaciĆ³n, luego la robotizaciĆ³n y ahora la inteligencia artificial.
Sin embargo, los paĆses con mayor implantaciĆ³n de la robotizaciĆ³n son los que tienen menores tasas de paro, segĆŗn datos del Instituto EspaƱol de IngenierĆa.
.webp)
0 Comentarios