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”.