Un equipo abre la caja negra de la inteligencia artificial y halla la química clave para la energía solar y más allá
El proceso de selección de nuevos candidatos químicos es mucho más sencillo que buscar a ciegas en el espacio químico
La inteligencia artificial es una poderosa herramienta para los investigadores, pero con una importante limitación: La incapacidad de explicar cómo llega a sus decisiones, un problema conocido como la "caja negra de la IA". Combinando la IA con la síntesis química automatizada y la validación experimental, un equipo interdisciplinar de investigadores de la Universidad de Illinois Urbana-Champaign ha abierto la caja negra para encontrar los principios químicos en los que se basó la IA para mejorar las moléculas destinadas a captar energía solar.
Investigadores de Illinois han abierto la "caja negra" de la IA para obtener nuevos y valiosos conocimientos sobre química para aplicaciones de energía solar. En la foto, de izquierda a derecha: Profesor Charles Schroeder, Changhyun Hwang, Seungjoo Yi, profesor Ying Diao, profesor Nick Jackson, Tiara Charis y Torres Flores.
Photo by Michelle Hassel
El resultado son moléculas cuatro veces más estables que el punto de partida, además de nuevos conocimientos cruciales sobre su estabilidad, una cuestión química que ha obstaculizado el desarrollo de materiales.
El equipo interdisciplinar de investigadores estaba codirigido por el profesor de química de la Universidad de Illinois Martin Burke, el profesor de ingeniería química y biomolecular Ying Diao, el profesor de química Nicholas Jackson y el profesor de ciencia e ingeniería de materiales Charles Schroeder, en colaboración con el profesor de química de la Universidad de Toronto Alán Aspuru-Guzik. Han publicado sus resultados en la revista Nature.
"Las nuevas herramientas de IA tienen un poder increíble. Pero si tratas de abrir el capó y entender lo que están haciendo, por lo general te quedas sin nada de utilidad", dijo Jackson. "Para la química, esto puede ser muy frustrante. La IA puede ayudarnos a optimizar una molécula, pero no puede decirnos por qué es óptima: ¿cuáles son las propiedades, estructuras y funciones importantes? Mediante nuestro proceso, identificamos lo que da a estas moléculas una mayor fotoestabilidad. Convertimos la caja negra de la IA en un globo de cristal transparente".
Los investigadores estaban motivados por la cuestión de cómo mejorar las células solares orgánicas, que se basan en materiales finos y flexibles, a diferencia de los rígidos y pesados paneles basados en silicio que ahora salpican tejados y campos.
"Lo que ha venido obstaculizando la comercialización de la fotovoltaica orgánica son los problemas de estabilidad. Los materiales de alto rendimiento se degradan cuando se exponen a la luz, que no es lo que se desea en una célula solar", explica Diao. "Se pueden fabricar e instalar de formas que no son posibles con el silicio y también pueden convertir el calor y la luz infrarroja en energía, pero la estabilidad ha sido un problema desde la década de 1980".
El método de Illinois, denominado "transferencia en bucle cerrado", comienza con un protocolo de optimización guiado por IA llamado experimentación en bucle cerrado. Los investigadores pidieron a la IA que optimizara la fotoestabilidad de las moléculas captadoras de luz, explicó Schroeder. El algoritmo de IA sugirió qué tipo de sustancias químicas sintetizar y explorar en múltiples rondas de síntesis en bucle cerrado y caracterización experimental. Después de cada ronda, los nuevos datos se incorporaban de nuevo al modelo, que entonces proporcionaba sugerencias mejoradas, acercándose cada vez más al resultado deseado.
Los investigadores produjeron 30 nuevos candidatos químicos en cinco rondas de experimentación en bucle cerrado, gracias a la química de bloques y a la síntesis automatizada de la que fue pionero el grupo de Burke. El trabajo se llevó a cabo en el Molecule Maker Lab del Instituto Beckman de Ciencia y Tecnología Avanzadas de la Universidad de Illinois.
"El enfoque de la química modular complementa maravillosamente el experimento de bucle cerrado. El algoritmo de IA solicita nuevos datos con el máximo potencial de aprendizaje, y la plataforma automatizada de síntesis de moléculas puede generar los nuevos compuestos necesarios con gran rapidez. A continuación, se prueban esos compuestos, los datos vuelven al modelo y éste se vuelve más inteligente, una y otra vez", explica Burke, que también es profesor de la Facultad de Medicina Carle Illinois. "Hasta ahora nos habíamos centrado sobre todo en la estructura. Ahora, nuestra síntesis modular automatizada ha pasado a explorar la función".
En lugar de limitarse a terminar la consulta con los productos finales seleccionados por la IA, como en una campaña típica dirigida por ésta, el proceso de transferencia en bucle cerrado trató además de descubrir las reglas ocultas que hacían más estables a las nuevas moléculas.
Mientras se desarrollaba el experimento en bucle cerrado, otro conjunto de algoritmos observaba continuamente las moléculas fabricadas, desarrollando modelos de características químicas que predecían la estabilidad a la luz, explicó Jackson. Una vez concluido el experimento, los modelos proporcionaron nuevas hipótesis comprobables en laboratorio.
"Estamos utilizando la IA para generar hipótesis que podamos validar y, a continuación, poner en marcha nuevas campañas humanas de descubrimiento", explica Jackson. "Ahora que tenemos algunos descriptores físicos de lo que hace que las moléculas sean fotoestables, el proceso de selección de nuevos candidatos químicos es mucho más sencillo que buscar a ciegas en el espacio químico".
Para probar su hipótesis sobre la fotoestabilidad, los investigadores estudiaron tres moléculas captadoras de luz estructuralmente diferentes con la propiedad química que habían identificado -una región de alta energía particular- y confirmaron que la elección de los disolventes adecuados hacía que las moléculas fueran hasta cuatro veces más estables a la luz.
"Es una prueba de principio de lo que se puede hacer. Confiamos en poder abordar otros sistemas materiales, y las posibilidades sólo están limitadas por nuestra imaginación. Con el tiempo, nos imaginamos una interfaz en la que los investigadores puedan introducir la función química que deseen y la IA genere hipótesis para ponerlas a prueba", explica Schroeder. "Este trabajo sólo podía llevarse a cabo con un equipo multidisciplinar y con las personas, recursos e instalaciones que tenemos en Illinois y nuestro colaborador de Toronto". Cinco grupos se unieron para generar nuevos conocimientos científicos que no habrían sido posibles con ninguno de los subequipos trabajando de forma aislada."
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Nicholas H. Angello, David M. Friday, Changhyun Hwang, Seungjoo Yi, Austin H. Cheng, Tiara C. Torres-Flores, Edward R. Jira, Wesley Wang, Alán Aspuru-Guzik, Martin D. Burke, Charles M. Schroeder, Ying Diao, Nicholas E. Jackson; "Closed-loop transfer enables artificial intelligence to yield chemical knowledge"; Nature, 2024-8-28
Más noticias del departamento ciencias
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
