La ciencia de materiales tiene algo paradójico. Es una disciplina capaz de diseñar estructuras a escala atómica, pero muchas veces trabaja dentro de cajones muy ordenados: óxidos por un lado, metales por otro, catalizadores monoatómicos en su propia conversación y perovskitas en otra completamente distinta. Esa separación ayuda a entender sistemas complejos. Pero también puede dejar fuera las combinaciones más interesantes.
Un equipo del Instituto de Ciencias Básicas de Corea del Sur acaba de probar justo esa idea con inteligencia artificial. En un estudio publicado en Nature Materials, los investigadores presentaron una red neuronal capaz de aprender al mismo tiempo de dos grandes familias de catalizadores que normalmente se estudian por separado: los catalizadores monoatómicos soportados sobre carbono y los óxidos de tipo perovskita. El resultado fue una nueva plataforma híbrida para la electrólisis del agua.
La clave no está solo en usar IA, algo que ya se ha vuelto habitual en la búsqueda de nuevos materiales. Lo interesante es que el sistema no se limitó a optimizar una lista conocida de candidatos. Aprendió patrones compartidos entre materiales distintos y los usó para predecir una familia que no había visto durante su entrenamiento: catalizadores monoatómicos anclados sobre óxidos de perovskita.
El hidrógeno verde tiene un problema lento y caro en mitad del proceso
El hidrógeno verde se produce mediante electrólisis: se usa electricidad renovable para separar el agua en hidrógeno y oxígeno. Sobre el papel parece limpio y directo. En la práctica, uno de sus grandes obstáculos está en la reacción de evolución de oxígeno, conocida como OER por sus siglas en inglés. Esa etapa es lenta y consume mucha energía, así que encontrar mejores catalizadores resulta clave para abaratar y hacer más eficiente el proceso.
Durante años, los laboratorios han buscado catalizadores dentro de familias concretas. Si se estudian óxidos, se comparan óxidos. Si se estudian metales o catalizadores monoatómicos, se prueban variantes dentro de ese mundo. Tiene sentido: cada familia tiene sus reglas, sus métodos y sus datos experimentales. Pero el nuevo trabajo parte de una sospecha distinta: quizá el mejor catalizador no esté dentro de una sola categoría, sino en la frontera entre varias.
Como explicó Taeghwan Hyeon, director del proyecto, el objetivo no era encontrar “el mejor catalizador dentro de una categoría”, sino demostrar que una IA podía conectar conocimiento de familias distintas para descubrir clases nuevas de materiales.
Una red neuronal que aprende dos lenguajes químicos a la vez
Para hacerlo, los investigadores desarrollaron una Crossbreeding Neural Network, o CBNN. El nombre es bastante gráfico: una red neuronal de “cruce” que intenta mezclar información de sistemas diferentes. Por un lado, aprendió de catalizadores monoatómicos sobre carbono, útiles para entender cómo se comportan átomos individuales en superficies activas. Por otro, aprendió de óxidos de perovskita, materiales donde la estructura cristalina interna influye mucho en el rendimiento catalítico.
La novedad está en cómo integró esos datos. Según el resumen del artículo en Nature Materials, el equipo usó descriptores compartidos seleccionados mediante análisis estadístico automatizado y procesamiento del lenguaje natural. Es decir, la IA no solo recibió números: también ayudó a identificar qué propiedades químicas podían servir como puente entre familias de materiales. Entre esas variables aparecieron el estado de oxidación, el radio iónico, la electronegatividad, el número de coordinación y los electrones d de valencia.
Dicho de forma más simple: la IA buscó un idioma común entre materiales que los humanos habían acostumbrado a estudiar en dialectos separados.
El salto importante: acertó con materiales que no formaban parte de su entrenamiento
La prueba realmente interesante llegó cuando el modelo tuvo que predecir el rendimiento de una clase nueva: átomos metálicos individuales colocados sobre partículas de perovskita. Esta arquitectura combina dos ideas potentes: la precisión de los catalizadores monoatómicos y la capacidad de diseño estructural de las perovskitas.
El equipo sintetizó 12 catalizadores experimentales dentro de esa familia inédita y la IA logró ordenar correctamente sus tendencias de actividad. Ese punto es importante porque muchos modelos funcionan bien cuando se mueven cerca de los datos que ya conocen, pero fallan al salir de su zona de entrenamiento. Aquí ocurrió algo distinto: el sistema extrapoló hacia una familia que no había visto antes.
Junseok Moon, coautor principal del trabajo, lo resumió con una idea clara: el modelo no se limitó a memorizar datos existentes, sino que pudo juzgar qué catalizadores funcionarían mejor en un grupo de materiales completamente nuevo.
Más de 8.000 candidatos para encontrar una mezcla muy difícil de intuir
Después de validar el enfoque, los investigadores ampliaron la búsqueda. La IA examinó 8.008 candidatos multimetálicos y señaló una combinación especialmente prometedora: tungsteno, molibdeno, rutenio y rodio anclados sobre una perovskita de calcio, praseodimio, cobalto y hierro, abreviada como CPCF.
La fórmula es enrevesada, pero la idea es sencilla: cuantos más metales entran en juego, más explosivo se vuelve el número de combinaciones posibles. Probarlas una por una mediante ensayo y error sería lentísimo. Ahí la IA actúa como filtro, no como sustituto del laboratorio: reduce el océano de candidatos a unas pocas estructuras con sentido químico.
Y esta vez la predicción salió de la pantalla. Según el Instituto de Ciencias Básicas, el catalizador propuesto fue sintetizado y validado experimentalmente, superando a perovskitas estudiadas previamente, a catalizadores monoatómicos sobre carbono y a todas las estructuras monometálicas preparadas durante el estudio.
La parte más interesante quizá no sea el catalizador, sino el método
El hallazgo puede ayudar al hidrógeno verde, pero su impacto conceptual va un poco más allá. La IA no encontró una aguja en un pajar conocido: conectó dos pajares distintos y sugirió buscar en el espacio que quedaba entre ambos. Esa es una forma bastante diferente de acelerar la ciencia de materiales.
Además, el modelo no funcionó como una caja negra absoluta. Los investigadores usaron técnicas de inteligencia artificial explicable para visualizar qué entornos atómicos influían más en la actividad catalítica y para detectar interacciones beneficiosas entre metales vecinos. Nature Materials destaca precisamente esa conexión entre importancia de descriptores, contribuciones atómicas superficiales y tendencias de actividad.
Los autores creen que este enfoque podría extenderse a baterías, materiales de almacenamiento energético e incluso descubrimiento de fármacos, campos donde también existen datos dispersos entre comunidades científicas que no siempre hablan el mismo idioma técnico.
La lección final es bastante potente: durante décadas ordenamos los materiales en categorías para poder entenderlos. Ahora, una IA empieza a sugerir que algunas de las mejores respuestas podrían estar justo donde esas categorías se tocan. Y para el hidrógeno verde, donde cada mejora de eficiencia importa, esa frontera puede valer mucho más que una simple curiosidad académica.
