Un sistema de inteligencia artificial creado en la Universidad de Chicago ya es capaz de elaborar recetas completas de electrolitos para baterías y generar formulaciones que compiten con el desempeño de algunas de las baterías de litio metálico más avanzadas, según reportó el sitio especializado TechXplore. Este avance apunta directamente a uno de los desafíos fundamentales del sector: diseñar combinaciones químicas que logren equilibrar conductividad, estabilidad y viscosidad al mismo tiempo.
El estudio, divulgado en la revista JACS Au, se apoya en una herramienta denominada ElectrolyteGPT. Al poner a prueba en el laboratorio las sugerencias del sistema, el equipo descubrió varias mezclas novedosas que alcanzaron un rendimiento comparable al de electrolitos de referencia en baterías de litio metálico.
Esta capacidad cobra especial importancia debido a la magnitud del problema: el espacio químico que debe explorarse es colosal. Según diversas estimaciones, el número de moléculas potenciales para electrolitos de baterías asciende a 10^60 —esto es, un uno seguido de 60 ceros, una cifra que supera ampliamente la cantidad de granos de arena en todo el planeta.
Jaemin Kim, primer autor del trabajo, señaló que los electrolitos de nueva generación deben cumplir múltiples requisitos que a menudo son contradictorios.
“Con la capacidad del modelo para generar resultados bajo condiciones diversas, ElectrolyteGPT puede generar candidatos nuevos que satisfacen simultáneamente las propiedades deseadas”, indicó.
De moléculas a formulaciones completas
El sistema no se conforma con elegir compuestos aislados. También determina concentraciones, proporciones de mezcla y otros parámetros de la formulación para alcanzar objetivos específicos fijados por los investigadores en propiedades como conductividad, estabilidad y viscosidad.
Chibueze Amanchukwu, profesor asistente Neubauer Family en la Pritzker School of Molecular Engineering de la universidad y autor de correspondencia del estudio, expresó que este hallazgo representa un paso hacia una meta más ambiciosa: hallar electrolitos que superen a los mejores disponibles en la actualidad.
“Tuvimos varias composiciones que rindieron a la par del estado del arte, y eso fue emocionante para nosotros”, afirmó.
El investigador agregó que el modelo ya es capaz de reproducir resultados comparables a los obtenidos por expertos en el campo.
“Podemos generar composiciones que pueden imitar lo que han hecho algunos de los mejores científicos, pero todavía queda mucho trabajo por delante”, señaló.
La dificultad de fondo no radica únicamente en la enorme cantidad de moléculas posibles, sino en las combinaciones prácticamente infinitas en que pueden mezclarse. De acuerdo con el portal especializado, analizar una por una esas variantes para baterías, fármacos contra el cáncer u otros materiales resulta imposible dentro de cualquier carrera científica individual.
Kim sostuvo que, aunque es inviable recorrer por completo ese espacio casi infinito, la IA generativa puede explorar sectores no estudiados de la química y proponer moléculas nunca antes sintetizadas. Posteriormente, los investigadores prueban en el laboratorio los materiales sugeridos por la máquina, del mismo modo en que evaluarían una idea planteada por un científico.
Un nuevo lenguaje para mezclas completas
Uno de los obstáculos iniciales fue que muchos modelos GPT disponibles habían sido diseñados para descubrir moléculas útiles como medicamentos, no para baterías. Amanchukwu explicó que, si se entrena con lo que predomina en la literatura, el sistema genera moléculas similares a fármacos, lo cual resulta irrelevante para su objetivo.
Para solucionarlo, el equipo recopiló un conjunto de datos compuesto por sustancias relevantes para electrolitos, de modo que el modelo aprendiera únicamente ese tipo de química. A partir de ahí, los investigadores lo entrenaron para producir materiales que alcanzaran umbrales concretos de conductividad iónica, estabilidad oxidativa, eficiencia coulómbica —la proporción de carga que una batería recupera en cada ciclo de carga y descarga— y viscosidad.
Una innovación del estudio fue la creación de una nueva notación lineal llamada fLine. Este lenguaje se basa en SMILES, una de las formas más utilizadas para describir estructuras químicas en términos comprensibles para una computadora, pero añade información sobre proporción de solventes, concentración de sales, temperatura y otros elementos que intervienen en una mezcla.
Esa notación también podría adaptarse para incluir variables como densidad de corriente y capacidad, además de funcionar con otros lenguajes químicos más allá de SMILES, detalló el portal. La consecuencia es que la IA deja de “ver” solo moléculas sueltas y pasa a interpretar el electrolito como una formulación completa.
Amanchukwu concluyó:
“Eso es útil no solo para electrolitos. Es útil para las mezclas en general”.
Luego precisó:
“Ahora se puede generar una formulación completa de electrolito con múltiples sales diferentes, múltiples solventes distintos en diferentes concentraciones y con diferentes proporciones de mezcla”.
El investigador señaló que el objetivo final es construir una IA generativa para electrolitos.
“Ahora mismo, incluso con los datos limitados y los parámetros limitados con los que trabajamos, podemos generar composiciones que experimentamos. Podemos verificar en el mundo real las sugerencias teóricas de la IA”, dijo. “Nos interesa ver si podemos hacer estos modelos más grandes y mejores”.
Fuente: Infobae