Por si no lo sabía, durante más de 100 años, los científicos han estado usando la cristalografía de rayos X para determinar la estructura de materiales cristalinos como metales, rocas y así mismo, cerámicas. Esta técnica funciona mejor cuando el cristal está intacto, sin embargo, en cuantiosos casos los científicos solo tienen una versión en polvo del material, que contiene fragmentos aleatorios del cristal, lo que hace que sea más difícil reconstruir la estructura general. Los químicos del MIT han ideado un nuevo modelo de Inteligencia Artificial Generativa (IA Generativa) que tiene la capacidad de facilitar enormemente la determinación de las estructuras de estos cristales en polvo. El modelo de predicción podría ayudar a los investigadores a caracterizar materiales para su uso en baterías, imanes y muchas otras aplicaciones.
Los químicos también se han visto beneficiados con la IA Generativa
Freedman y Jure Leskovec, profesor de informática en la Universidad de Stanford, son los autores principales del nuevo estudio, que aparece en el Journal of the American Chemical Society. El estudiante de posgrado del MIT Eric Riesel y el estudiante de pregrado de la Universidad de Yale Tsach Mackey son los autores principales del artículo.
Los materiales cristalinos (entre los que se incluyen los metales y la mayoría de los demás materiales sólidos inorgánicos), se encuentran formados por redes que constan de muchas unidades idénticas que se repiten. Estas unidades tienen la capacidad de poder considerarse como “cajas” con una forma y un tamaño distintivos, con átomos dispuestos con precisión en su interior.
Cuando se emiten rayos X sobre estas redes, se difractan en los átomos con diferentes ángulos e intensidades, lo que revela información sobre las posiciones de los átomos y los enlaces entre ellos. Desde principios del siglo XX, esta técnica se ha usado para analizar materiales, incluidas moléculas biológicas que poseen una estructura cristalina, como el ADN y algunas proteínas.
Para los materiales que solo existen como cristal en polvo, resolver estas estructuras se vuelve mucho más difícil porque los fragmentos no poseen la estructura 3D completa del cristal original.
Existen patrones de difracción de rayos X para miles de estos materiales, pero todavía no se han resuelto. Para intentar descifrar las estructuras de estos materiales, Freedman y sus colegas entrenaron un modelo de aprendizaje automático con datos de una base de datos denominada “Materials Project”, la cual, contiene más de 150.000 materiales. Primero, introdujeron decenas de miles de estos materiales en un modelo existente que tiene la posibilidad de simular cómo se verían los patrones de difracción de rayos X. Luego, usaron esos patrones para entrenar su modelo de IA, al que llaman Crystalyze, para pronosticar estructuras basadas en los patrones de rayos X.
El modelo divide el proceso de predicción de estructuras en diversas subtareas. En primer lugar, determina el tamaño y la forma de la “caja” reticular y qué átomos entrarán en ella. A continuación, predice la disposición de los átomos dentro de la caja. Para cada patrón de difracción, el modelo genera varias estructuras posibles, que se tienen la capacidad de probar introduciendo las estructuras en un modelo que determina los patrones de difracción para una estructura determinada.
Resolver estructuras desconocidas
Los investigadores probaron el modelo en varios miles de patrones de difracción simulados del Proyecto de Materiales. Del mismo modo lo probaron en más de 100 patrones de difracción experimentales de la base de datos RRUFF, que contiene datos de difracción de rayos X en polvo para cerca de 14.000 minerales cristalinos naturales, que habían conservado fuera de los datos de entrenamiento. Cabe destacar que, en estos datos, el modelo fue preciso alrededor del 67% de las veces. Luego, comenzaron a probar el modelo en patrones de difracción que no se habían resuelto antes. Estos datos provenían del Archivo de difracción de polvo, que contiene datos de difracción de más de 400.000 materiales resueltos y no resueltos.
Vale la pena señalar que, con su modelo, los investigadores idearon estructuras para más de 100 de estos patrones que no habían sido resueltos hasta ahora. Igualmente utilizaron su modelo para descubrir estructuras para 3 materiales que el laboratorio de Freedman creó forzando a elementos que no reaccionan a presión atmosférica a formar compuestos bajo alta presión. Este enfoque se tiene la capacidad de poder utilizar para generar nuevos materiales que tienen estructuras cristalinas y propiedades físicas radicalmente diferentes, aunque su composición química sea la misma.
El grafito y el diamante, ambos compuestos de carbono puro, son ejemplos de este tipo de materiales. Los materiales que ha desarrollado Freedman, que contienen bismuto y otro elemento, podrían ser útiles en el diseño de nuevos materiales para imanes permanentes.
Poder determinar las estructuras de materiales cristalinos en polvo, podría ayudar a los investigadores que trabajan en casi cualquier campo relacionado con los materiales, según el equipo del MIT, que ha publicado una interfaz web para el modelo en crystalyze.org.
Sin lugar a dudas, todo esto deja ver que, los químicos también se han beneficiado con la IA generativa.
