Con SCIGEN, los investigadores pueden dirigir modelos de IA para crear materiales con propiedades exóticas para aplicaciones como la computación cuántica.
Los modelos de inteligencia artificial que convierten texto en imágenes también son útiles para generar nuevos materiales. En los últimos años, los modelos de materiales generativos de empresas como Google, Microsoft y Meta han aprovechado sus datos de entrenamiento para ayudar a los investigadores a diseñar decenas de millones de nuevos materiales.
Pero cuando se trata de diseñar materiales con propiedades cuánticas exóticas como la superconductividad o estados magnéticos únicos, estos modelos presentan dificultades. Es una lástima, porque a los humanos les vendría bien esa ayuda. Por ejemplo, tras una década de investigación sobre una clase de materiales que podrían revolucionar la computación cuántica, llamados líquidos de espín cuántico, solo se han identificado una docena de materiales candidatos. Este cuello de botella significa que hay menos materiales que sirvan de base para avances tecnológicos.
Ahora, investigadores del MIT han desarrollado una técnica que permite a los modelos de materiales generativos populares crear materiales cuánticos prometedores siguiendo reglas de diseño específicas. Estas reglas, o restricciones, guían a los modelos para crear materiales con estructuras únicas que dan lugar a propiedades cuánticas.
“Los modelos de estas grandes empresas generan materiales optimizados para la estabilidad”, afirma Mingda Li, profesor de Desarrollo Profesional de la Generación de 1947 del MIT. “Nuestra perspectiva es que la ciencia de los materiales no suele avanzar así. No necesitamos 10 millones de materiales nuevos para cambiar el mundo. Solo necesitamos un material realmente bueno”.
El enfoque se describe hoy en un artículo publicado por Nature Materials . Los investigadores aplicaron su técnica para generar millones de materiales candidatos consistentes en estructuras reticulares geométricas asociadas con propiedades cuánticas. A partir de este conjunto, sintetizaron dos materiales reales con características magnéticas exóticas.
En la comunidad cuántica, estas restricciones geométricas, como las redes de Kagome, que son dos triángulos invertidos superpuestos, son muy importantes. Creamos materiales con redes de Kagome porque pueden imitar el comportamiento de las tierras raras, por lo que son de gran importancia técnica, afirma Li.
Li es el autor principal del artículo. Entre sus coautores del MIT se encuentran los estudiantes de doctorado Ryotaro Okabe, Mouyang Cheng, Abhijatmedhi Chotrattanapituk y Denisse Cordova Carrizales; el investigador posdoctoral Manasi Mandal; los investigadores de pregrado Kiran Mak y Bowen Yu; el investigador visitante Nguyen Tuan Hung; Xiang Fu (promoción de 2022, doctorado de 2024); y el profesor de ingeniería eléctrica y ciencias de la computación Tommi Jaakkola, afiliado al Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y al Instituto de Datos, Sistemas y Sociedad. Otros coautores son Yao Wang de la Universidad Emory, Weiwei Xie de la Universidad Estatal de Michigan, YQ Cheng del Laboratorio Nacional de Oak Ridge y Robert Cava de la Universidad de Princeton.
Dirigir los modelos hacia el impacto
Las propiedades de un material están determinadas por su estructura, y los materiales cuánticos no son la excepción. Ciertas estructuras atómicas tienen mayor probabilidad de dar lugar a propiedades cuánticas exóticas que otras. Por ejemplo, las redes cuadradas pueden servir como plataforma para superconductores de alta temperatura, mientras que otras formas, conocidas como redes de Kagome y de Lieb, pueden facilitar la creación de materiales útiles para la computación cuántica.
Para ayudar a una clase popular de modelos generativos, conocidos como modelos de difusión, a producir materiales que se ajusten a patrones geométricos específicos, los investigadores crearon SCIGEN (abreviatura de Integración de Restricciones Estructurales en un modelo GENerativo). SCIGEN es un código informático que garantiza que los modelos de difusión cumplan con las restricciones definidas por el usuario en cada paso iterativo de generación. Con SCIGEN, los usuarios pueden asignar a cualquier modelo de difusión de IA generativa reglas geométricas estructurales que debe seguir al generar materiales.
Los modelos de difusión de IA funcionan mediante el muestreo de su conjunto de datos de entrenamiento para generar estructuras que reflejen la distribución de las estructuras presentes en dicho conjunto. SCIGEN bloquea las generaciones que no se ajustan a las reglas estructurales.
Para probar SCIGEN, los investigadores lo aplicaron a un popular modelo de generación de materiales de IA conocido como DiffCSP. Hicieron que el modelo equipado con SCIGEN generara materiales con patrones geométricos únicos, conocidos como redes de Arquímedes, que consisten en conjuntos de teselas de redes 2D de diferentes polígonos. Las redes de Arquímedes pueden dar lugar a diversos fenómenos cuánticos y han sido objeto de numerosas investigaciones.
“Las redes de Arquímedes dan lugar a líquidos de espín cuántico y a las llamadas bandas planas, que pueden imitar las propiedades de las tierras raras sin elementos de tierras raras, por lo que son extremadamente importantes”, afirma Cheng, coautor del trabajo. “Otros materiales de la red de Arquímedes tienen poros grandes que podrían utilizarse para la captura de carbono y otras aplicaciones, por lo que se trata de un conjunto de materiales especiales. En algunos casos, no se conocen materiales con esa red, por lo que creo que será muy interesante encontrar el primer material que encaje en ella”.
El modelo generó más de 10 millones de materiales candidatos con redes arquimedianas. Un millón de estos materiales superaron un análisis de estabilidad. Utilizando las supercomputadoras del Laboratorio Nacional de Oak Ridge, los investigadores tomaron una muestra más pequeña de 26.000 materiales y realizaron simulaciones detalladas para comprender el comportamiento de los átomos subyacentes. Los investigadores encontraron magnetismo en el 41 % de estas estructuras.
A partir de ese subconjunto, los investigadores sintetizaron dos compuestos previamente desconocidos, TiPdBi y TiPbSb, en los laboratorios de Xie y Cava. Experimentos posteriores demostraron que las predicciones del modelo de IA coincidían en gran medida con las propiedades reales del material.
“Queríamos descubrir nuevos materiales que pudieran tener un gran impacto potencial al incorporar estas estructuras que se sabe que dan lugar a propiedades cuánticas”, afirma Okabe, primer autor del artículo. “Ya sabemos que estos materiales con patrones geométricos específicos son interesantes, así que es natural empezar con ellos”.
Acelerando los avances materiales
Los líquidos de espín cuántico podrían impulsar la computación cuántica al permitir cúbits estables y resistentes a errores que sirven como base de las operaciones cuánticas. Sin embargo, no se ha confirmado ningún material líquido de espín cuántico. Xie y Cava creen que SCIGEN podría acelerar la búsqueda de estos materiales.
“Existe una gran búsqueda de materiales para computadoras cuánticas y superconductores topológicos, todos ellos relacionados con los patrones geométricos de los materiales”, afirma Xie. “Pero el progreso experimental ha sido muy lento”, añade Cava. “Muchos de estos materiales líquidos de espín cuántico están sujetos a restricciones: deben estar en una red triangular o de Kagome. Si los materiales cumplen esas restricciones, los investigadores cuánticos se entusiasman; es una condición necesaria, pero no suficiente. Por lo tanto, al generar muchísimos materiales como estos, se obtienen inmediatamente cientos o miles de candidatos adicionales para los experimentales con los que experimentar y acelerar la investigación en materiales para computadoras cuánticas”.
“Este trabajo presenta una nueva herramienta, que aprovecha el aprendizaje automático, que puede predecir qué materiales tendrán elementos específicos en un patrón geométrico deseado”, afirma el profesor de la Universidad de Drexel, Steve May, quien no participó en la investigación. “Esto debería acelerar el desarrollo de materiales previamente inexplorados para aplicaciones en tecnologías electrónicas, magnéticas u ópticas de próxima generación”.
Los investigadores enfatizan que la experimentación sigue siendo crucial para evaluar si los materiales generados por IA pueden sintetizarse y cómo se comparan sus propiedades reales con las predicciones del modelo. El trabajo futuro en SCIGEN podría incorporar reglas de diseño adicionales en los modelos generativos, incluyendo restricciones químicas y funcionales.
“Quienes quieren cambiar el mundo se preocupan más por las propiedades de los materiales que por su estabilidad y estructura”, afirma Okabe. “Con nuestro enfoque, la proporción de materiales estables disminuye, pero abre la puerta a la generación de una gran cantidad de materiales prometedores”.
El trabajo fue financiado en parte por el Departamento de Energía de EE. UU., el Centro Nacional de Computación Científica de Investigación Energética, la Fundación Nacional de Ciencias y el Laboratorio Nacional de Oak Ridge.
MIT News. Z. W. Traducido al español
