Un equipo de investigadores del Massachusetts Institute of Technology (MIT) ha creado un innovador sistema de inteligencia artificial llamado CRESt (Copilot for Real-world Experimental Scientists) que puede aprender de múltiples tipos de información científica y realizar experimentos de forma autónoma para descubrir nuevos materiales. La plataforma ya ha logrado identificar un catalizador que mejora en 9.3 veces la densidad de potencia de las celdas de combustible de formiato.
Un enfoque revolucionario para la ciencia de materiales
La mayoría de los modelos de machine learning actuales solo consideran unos pocos tipos específicos de datos o variables. En contraste, CRESt imita el comportamiento de los científicos humanos al incorporar información diversa: resultados experimentales, literatura científica, análisis de imágenes y estructuras, experiencia personal e incluso retroalimentación de colegas.
«En el campo de la IA para la ciencia, la clave está en diseñar nuevos experimentos», explica Ju Li, profesor de Ingeniería Energética del MIT y coautor del estudio publicado en Nature. «Utilizamos retroalimentación multimodal para complementar los datos experimentales y diseñar nuevos experimentos. También usamos robots para sintetizar y caracterizar la estructura del material y probar su rendimiento.»
Cómo funciona CRESt
Equipamiento robótico avanzado
El sistema CRESt incluye:
- Robot manipulador de líquidos
- Sistema de choque carbotérmico para síntesis rápida de materiales
- Estación electroquímica automatizada para pruebas
- Equipos de caracterización automatizados (microscopía electrónica y óptica)
- Dispositivos auxiliares como bombas y válvulas de gas controladas remotamente
Interfaz de usuario intuitiva
Los investigadores pueden conversar con CRESt en lenguaje natural, sin necesidad de programación. El sistema puede:
- Buscar recetas prometedoras de materiales
- Iniciar la preparación de muestras
- Realizar análisis de imágenes de microscopía electrónica de barrido (SEM)
- Monitorear experimentos con cámaras y modelos de lenguaje visual
Aprendizaje activo mejorado
CRESt utiliza una estrategia de machine learning conocida como aprendizaje activo combinada con optimización bayesiana. Sin embargo, a diferencia de los enfoques tradicionales que operan en espacios de diseño limitados, este sistema:
- Busca en la literatura científica descripciones de elementos o moléculas precursoras útiles
- Crea representaciones masivas de cada receta basadas en conocimiento previo
- Utiliza análisis de componentes principales en el espacio de conocimiento
- Rediseña el espacio de búsqueda reducido después de cada experimento
Descubrimiento revolucionario en celdas de combustible
Durante tres meses, CRESt exploró más de 900 químicas diferentes y realizó 3,500 pruebas electroquímicas. El resultado fue el descubrimiento de un material catalizador compuesto por ocho elementos que logró:
- Mejora de 9.3 veces en densidad de potencia por dólar comparado con paladio puro
- Récord de densidad de potencia en celdas de combustible de formiato directo
- Uso de solo un cuarto de los metales preciosos de dispositivos anteriores
«Un desafío significativo para los catalizadores de celdas de combustible es el uso de metales preciosos», explica Zhen Zhang, estudiante de doctorado y primer autor del estudio. «Utilizamos un catalizador multielemento que también incorpora muchos otros elementos baratos para crear el ambiente de coordinación óptimo para la actividad catalítica y resistencia a especies venenosas como el monóxido de carbono.»
Monitoreo inteligente y reproducibilidad
Uno de los mayores desafíos en la ciencia de materiales es la reproducibilidad de experimentos. Para abordar este problema, CRESt incorpora:
- Monitoreo con cámaras que detectan problemas potenciales
- Modelos de visión computacional que pueden notar desviaciones milimétricas en la forma de muestras
- Sugerencias de corrección vía texto y voz para investigadores humanos
- Hipótesis automatizadas sobre fuentes de irreproducibilidad
Un asistente, no un reemplazo
Los investigadores enfatizan que CRESt está diseñado para complementar, no reemplazar, a los científicos humanos.
«CREST es un asistente, no un reemplazo, para investigadores humanos», aclara Li. «Los investigadores humanos siguen siendo indispensables. De hecho, usamos lenguaje natural para que el sistema pueda explicar lo que está haciendo y presentar observaciones e hipótesis. Pero esto es un paso hacia laboratorios más flexibles y autónomos.»
Impacto futuro en la ciencia de materiales
Este desarrollo representa un avance significativo en la automatización de laboratorios científicos y podría acelerar dramáticamente el descubrimiento de nuevos materiales para aplicaciones energéticas. La capacidad de CRESt para integrar conocimiento de literatura, datos experimentales y observaciones visuales en tiempo real marca un nuevo paradigma en la investigación científica automatizada.
Los resultados sugieren que sistemas como CRESt podrían encontrar soluciones a problemas energéticos del mundo real que han desafiado a la comunidad científica durante décadas, especialmente en el desarrollo de catalizadores más eficientes y económicos para tecnologías de energía limpia.
 ha creado un innovador sistema de inteligencia artificial llamado CRESt (Copilot for Real-world Experimental Scientists) que puede aprender de múltiples tipos de información científica y realizar experimentos de forma autónoma para descubrir nuevos materiales.){kind=link}