La búsqueda de materiales innovadores para resolver desafíos energéticos ha dado un paso clave con el desarrollo de CRESt, una plataforma de inteligencia artificial creada por el Instituto Tecnológico de Massachusetts (MIT).

Este sistema puede analizar datos científicos de múltiples fuentes y ejecutar experimentos autónomos, lo que agiliza de manera significativa el descubrimiento de nuevos compuestos útiles en aplicaciones de energía.

CRESt integra aprendizaje automático avanzado, robótica para el manejo de muestras y una interfaz de lenguaje natural para que los investigadores conversen directamente con la plataforma sin necesidad de programación.

CRESt, siglas de Copiloto para Científicos Experimentales del Mundo Real, responde a una limitación de los modelos tradicionales de inteligencia artificial, que suelen considerar únicamente datos numéricos o experimentales puntuales. En cambio, el sistema desarrollado el MIT procesa composiciones químicas, literatura científica, imágenes de microestructuras y experiencia humana.

Esta diversidad de insumos se combina en un modelo multimodal que aprende y ajusta sus recomendaciones de experimentos conforme recibe nuevos datos y resultados. Así, se acerca al razonamiento integrador de un científico humano y aprovecha la velocidad de los sistemas automatizados.

El proceso experimental tradicional en ciencia de materiales puede ser lento y costoso, dado que requiere la fabricación meticulosa de nuevas muestras y una secuencia de pruebas cuya interpretación guía la siguiente etapa. Para acelerar esta dinámica, CRESt utiliza aprendizaje activo y optimización bayesiana, una técnica estadística que sugiere el siguiente experimento más prometedor a partir del resultado de los anteriores.

De acuerdo con los profesores que encabezan el proyecto, esto equivale a tener una herramienta que no solo aprende de la experiencia acumulada, también refina continuamente su búsqueda en función de la información disponible.

En ensayos recientes, detallados en la revista Nature, el equipo del MIT probó la capacidad de CRESt en el desarrollo de materiales para celdas de combustible de alta eficiencia. Utilizando un robot de manipulación de líquidos, estaciones automatizadas de prueba y caracterización, y análisis de imágenes con microscopía avanzada, CRESt exploró más de novecientas composiciones químicas y realizó unas 3.500 pruebas electroquímicas en tres meses.

Este proceso condujo al descubrimiento de un nuevo catalizador de ocho elementos, que logró una densidad de potencia récord en una celda de combustible basada en sal de formiato, con una proporción reducida de metales preciosos respecto a los dispositivos tradicionales.

El sistema no solo identifica combinaciones químicas potenciales, también monitorea con cámaras los procedimientos experimentales, detecta anomalías de tamaño milimétrico y propone ajustes en tiempo real a los científicos, tanto por texto como por voz. Este enfoque, según explicó el equipo encabezado por Zhen Zhang y otros investigadores del MIT, ha permitido sortear problemas de reproducibilidad y optimizar flujos de trabajo en el laboratorio.

CRESt no reemplaza a los investigadores humanos, sino que actúa como asistente y amplificador de su capacidad de análisis y decisión.

El trabajo interdisciplinar en el desarrollo de CRESt incluyó expertos en inteligencia artificial, robótica, química y ciencia de materiales. Junto a sus herramientas automatizadas, la plataforma puede buscar y analizar texto de artículos científicos, utilizar bases de datos para identificar tendencias y, desde allí, generar nuevas recetas de materiales que luego se someten a experimentación rápida.

Esta sinergia ya ha derivado en propuestas concretas que pueden reducir costos y aumentar la eficiencia, como el uso de catalizadores con menos metales preciosos para resolver un reto histórico de las celdas de combustible.

Los resultados demuestran el potencial del aprendizaje multimodal y la robótica para abordar problemas complejos de ingeniería de materiales. CRESt avanzó en la identificación de opciones de bajo costo y alto rendimiento para catalizadores, facilitando una búsqueda que tradicionalmente requería años de trabajo manual.

Se espera que estas herramientas puedan replicarse en otros campos y que la integración entre la inteligencia artificial y el trabajo experimental produzca un salto de eficiencia en la resolución de desafíos energéticos globales.