Por: Katia Moskvitch, IBM Research Editorial Lead
Un átomo por aquí, un átomo por allá…
Cuantos
más átomos, más compleja se vuelve una molécula: un cuasi-infinito de
posibles configuraciones moleculares. Esto a su vez significa un proceso
largo, costoso y tedioso de prueba y error para el descubrimiento de
materiales, donde el éxito no está garantizado.
Pero no tiene por qué ser así.
Gracias
al enorme impulso que la inteligencia artificial está dando al diseño
molecular tradicional y a la computación cuántica que ya se encuentra
preparada para intervenir, estamos entrando en la era del Descubrimiento
Acelerado. Es la era del descubrimiento rápido de nuevos materiales
avanzados, que son vitales para la fabricación de productos sostenibles
que podrían ayudarnos a abordar una gran cantidad de desafíos globales,
desde el cambio climático hasta la reducción de desechos y la seguridad
alimentaria y energética.
Todavía estamos en los comienzos, pero los
investigadores de IBM ya están aplicando este nuevo enfoque impulsado
por la IA para diseñar materiales más sostenibles. Un equipo ha creado
recientemente nuevas moléculas denominadas generadores de fotoácidos
(PAGs). Con mejoras adicionales, podrían ayudar a producir dispositivos
informáticos más amigables para el medio ambiente.
Los
PAG existen desde la década de 1980 y desempeñan un papel vital en la
fabricación de chips de computadora. En un proceso llamado litografía,
la luz ultravioleta genera un patrón tridimensional en una capa de un
material fotosensible: una fotorresistencia. Los fotones de luz
descomponen el PAG dentro de la fotorresistencia para producir moléculas
de ácido muy fuerte. Estas moléculas catalizan las reacciones químicas
que crean el patrón, lo cual define las estructuras físicas de un chip
de computadora, tales como puertas de transistores o cables de
interconexión.
Demasiado lento, costoso y arriesgado
Las
mejoras en las fotorresistencias y la litografía jugaron un papel
importante en las últimas dos décadas del desarrollo de chips. Nos han
permitido empaquetar más y más transistores en chips cada vez más
pequeños, lo cual conduce a dispositivos cada vez más delgados y
potentes.
Pero hay un problema.
Los
PAG son una de varias clases de compuestos químicos que recientemente
han sido objeto de una mayor indagación por parte de los reguladores
ambientales globales. Los investigadores se han lanzado a la carrera
para crear otros más sostenibles, para permitir un futuro de computación sostenible “verde”.
Desafortunadamente, el proceso tradicional de descubrir nuevos
materiales es demasiado lento, demasiado costoso y demasiado arriesgado
para abordar este desafío de manera oportuna y práctica.
“Tradicionalmente,
los investigadores usarían su propio conocimiento y la información que
encontrarían en la literatura publicada para diseñar un PAG, con la
esperanza de que tuviera las propiedades deseadas”, señala el
investigador de IBM y experto en materiales electrónicos de Almaden, Dan Sanders.
“Con base en ese diseño inicial, luego seguirían muchos ciclos de
síntesis, caracterización y prueba de candidatos hasta que lograron
crear uno satisfactorio. Por lo general, llevaría meses, a veces años,
incluso con la ayuda de computadoras, ejecutar simulaciones avanzadas”.
Así que su equipo optó por un enfoque diferente, uno con la ayuda de la IA.
El uso de la IA en la ciencia de los materiales no es nuevo.
Pero incluso hace solo cinco años, la IA era principalmente buena para
predecir las características de un material. Por ejemplo, si un
investigador ingresara una estructura molecular conocida, la IA
predeciría correctamente, digamos, que su temperatura de fusión es de
100 grados Celsius. Sin embargo, “los químicos industriales estaban
mucho más interesados en
aplicar la IA para diseñar rápidamente una amplia variedad de
estructuras moleculares más allá de la creatividad humana”, señala Seiji Takeda, investigador de IBM en Tokio.
“Solo
piénselo: conocemos materiales que tienen mil millones de
configuraciones moleculares conocidas diferentes, pero potencialmente
puede haber al menos 1060 veces más”, agrega. “Y los
materiales útiles son solo una pequeña parte de eso. Es como encontrar
un pequeño diamante perdido en el Sahara”.
Ingresemos
al enfoque de descubrimiento acelerado impulsado por inteligencia
artificial: la combinación de tecnologías informáticas avanzadas para
permitir a los investigadores de todo el mundo realizar descubrimientos
moleculares a través de la nube. Desarrollado recientemente en IBM
Research, ya no se trata solo de predecir las propiedades de un material
conocido, sino más bien de diseñar rápidamente materiales nuevos con
las propiedades deseadas.
Descubrimiento acelerado: avanzando a toda marcha
Para crear los nuevos PAG, el equipo de Almaden dirigido por Sanders y su colega investigador Dmitry Zubarev primero
trabajaron con expertos en materiales fotorresistentes, y salud y
seguridad ambiental. Meticulosamente, determinaron todas las propiedades
de rendimiento y sostenibilidad necesarias para su PAG previsto. Una
vez hecho esto, utilizaron inteligencia artificial, simulación por
computadora de vanguardia y tecnologías de automatización avanzadas a
través de la nube híbrida para diseñar y sintetizar posibles PAG, mucho
más rápido que nunca.
“Una
vez que delineamos las propiedades que queríamos que tuviera la
molécula, comenzamos a recopilar todos los datos sobre los generadores
de fotoácidos que existen… escondidos en patentes, artículos académicos,
preimpresiones, libros de ciencia y otra literatura”, explica Sanders.
Esa es una tarea abrumadora para cualquier humano. Entonces, los
investigadores utilizaron la inteligencia artificial de IBM Deep Search, desarrollada por el equipo de Peter Staar
en el laboratorio de investigación de IBM en Zúrich, para compilar y
explorar el conocimiento científico conocido para los PAG. Incorporaron
6.000 artículos y patentes a la IA y crearon un gráfico de conocimiento
con 2,2 millones de nodos y 38 millones de bordes de materiales
conocidos.
Sin
embargo, encontraron que los datos de propiedades importantes para la
mayoría de los compuestos que les interesaban estaban casi completamente
ausentes de la literatura disponible. “Esa fue una clara laguna en
nuestro conocimiento”, apunta Sanders. Para cerrarla, los investigadores
recurrieron a la llamada simulación inteligente, una simulación
impulsada por IA dirigida por el equipo de Ed Pyzer-Knapp
en los laboratorios de investigación de IBM en el Reino Unido. La idea
era aumentar el conjunto de datos estructurales con las propiedades
ópticas y ambientales necesarias para crear y entrenar un modelo de IA.
Y
no cualquier modelo de IA, un modelo de IA “generativo” que pudiera
diseñar la estructura de una nueva molécula con una propiedad química
específica. “Un modelo generativo es una tecnología de inteligencia
artificial que, después de ser entrenada por un conjunto de datos,
automáticamente diseña, o genera, nuevos objetos con características
similares a los datos originales”, aclara Takeda. “Por ejemplo, si uno
entrena el modelo usando muchas imágenes de gatos y luego le pide a la
IA que genere nuevas imágenes de gatos que sean blancos y esponjosos,
eso es lo que hará el modelo. Generará muchos gatos blancos y
esponjosos, cada uno de ellos absolutamente único”.
No
tan interesados en las imágenes de gatos, Takeda y su equipo
desarrollaron, en cambio, un modelo generativo de moléculas. Primero, lo
entrenaron con la estructura de PAG existente y los datos de las
propiedades, y luego le pidieron al sistema que diseñara nuevas
estructuras de PAG con propiedades de menor riesgo ambiental mientras
conservaba una alta fotosensibilidad. La IA obedeció y “generó alrededor
de 2000 candidatos PAG potenciales en solo cinco horas”, afirma Takeda.
Eso es mucho, demasiado para evaluar cada uno de ellos. Por lo tanto, los investigadores utilizaron la tecnología Expert-in-the-Loop
de IBM que integra el conocimiento de expertos humanos para enriquecer
el resultado del modelo generativo de IA y priorizar a los candidatos
más prometedores y procesables.
Completada esa tarea, recurrieron al equipo de investigación de IBM en Zúrich, dirigido por Teodoro Laino,
que estaba construyendo tecnologías Automatizadas de Laboratorio. Ahora
tenían que resolver dos desafíos restantes: determinar la mejor ruta
sintética para hacer los PAG y finalmente sintetizarlos en un sistema de
reactor químico robótico automatizado. El equipo de Laino adaptó su
herramienta retrosintética basada en inteligencia artificial que
identifica rápidamente la mejor manera de producir moléculas orgánicas, y
por fin creó un PAG con su sistema de reactor químico robótico
automatizado basado en la nube, RoboRXN.
“Claramente,
nuestro enfoque de Descubrimiento Acelerado ha agilizado enormemente el
desarrollo de nuevos PAG”, comenta Sanders. “Estamos todavía en las
primeras etapas, por supuesto. Pero estoy seguro de que en el futuro
podremos utilizar este enfoque para acelerar el descubrimiento de nuevos
materiales que nos ayuden a abordar muchos desafíos de sostenibilidad”.
Las
nuevas moléculas de PAG no son el único éxito inicial del método de
Descubrimiento Acelerado. El equipo de Takeda también utilizó su modelo
generativo para diseñar una nueva membrana de polímero que absorbe el
dióxido de carbono mejor que las membranas que se utilizan actualmente
en las tecnologías de captura de carbono. También diseñaron un nuevo tipo de azúcar con temperatura de fusión específica, en colaboración con un cliente de IBM, Nagase.
En
el futuro, Takeda tiene como objetivo expandir las capacidades de la
inteligencia artificial de su equipo a una gama más amplia de dominios
de materiales, incluido el material inorgánico. Eso podría ayudar, por
ejemplo, a crear baterías más sostenibles. Si se dañan, las baterías
pueden emitir gases tóxicos, y la extracción de sus ingredientes
principales, generalmente litio y cobalto, puede tener consecuencias
ambientales como la contaminación y el agotamiento del agua.
“Las
posibilidades son infinitas: uno puede usar nuestros modelos
generativos para crear nuevos polímeros, nuevos medicamentos, nuevos
materiales emisores de luz, ingredientes alimentarios, botellas de
plástico biodegradables de ultra bajo costo, células solares orgánicas
flexibles o incluso 'pintables', lo que sea”, comenta Takeda. “Pero el
punto principal es: ahora hemos demostrado que Deep Search, la
simulación enriquecida con inteligencia artificial, los modelos
generativos de inteligencia artificial y los laboratorios autónomos
pueden – junto con expertos humanos, por supuesto – acelerar enormemente
el diseño de materiales y ayudarnos a acercarnos a una sociedad
sostenible”.
