La inteligencia artificial de la Universidad de Chicago ya puede generar recetas completas de electrolitos para baterías y producir formulaciones que igualan el rendimiento de algunas de las mejores baterías de litio metálico, según informó el portal TechXplore. El avance apunta a uno de los problemas centrales del sector: diseñar mezclas químicas capaces de combinar, al mismo tiempo, conductividad, estabilidad y viscosidad adecuadas.
El trabajo, publicado en JACS Au, se basa en una herramienta ElectrolyteGPT. Al sintetizar en el laboratorio las recomendaciones del sistema, el equipo encontró varias composiciones nuevas que rindieron a la altura de electrolitos de referencia en baterías de litio metálico.
Esa capacidad cobra relevancia ante la escala del problema: el universo químico que debe analizarse es inmenso. Muchas estimaciones sitúan en 10^60 —es decir, un uno seguido de 60 ceros, una cifra que excede con creces la cantidad de granos de arena en la Tierra— el número de moléculas potenciales para electrolitos de baterías.
Jaemin Kim, primer autor del estudio, explicó que los electrolitos de nueva generación deben cumplir múltiples requisitos que con frecuencia entran en conflicto. “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 enteras
El sistema no se limita a seleccionar compuestos aislados. También propone concentraciones, proporciones de mezcla y otros parámetros de la formulación para alcanzar objetivos 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 trabajo, señaló que el hallazgo es un paso hacia una meta más ambiciosa: encontrar electrolitos que superen a los mejores disponibles hoy. “Tuvimos varias composiciones que rindieron a la par del estado del arte, y eso fue emocionante para nosotros”, afirmó.
El investigador añadió que el modelo ya es capaz de reproducir resultados comparables a los obtenidos por especialistas del área. “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 está solo en la cantidad de moléculas posibles, sino en las combinaciones casi 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 queda fuera del alcance temporal de cualquier carrera científica individual.
Kim sostuvo que, aunque es inviable recorrer por completo ese espacio casi infinito, la IA generativa puede moverse por sectores no estudiados de la química y proponer moléculas nunca sintetizadas. Después, los investigadores prueban en laboratorio los materiales sugeridos por la máquina del mismo modo en que evaluarían una idea formulada 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 parecidas a fármacos, algo irrelevante para su objetivo.
Para corregirlo, el equipo reunió un conjunto de datos compuesto por sustancias relevantes para electrolitos, de modo que el modelo aprendiera solo 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. Ese lenguaje parte de SMILES, una de las formas más usadas 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”.
