No sólo más rápida, sino más inteligente: la IA que explica sus descubrimientos
En menos de 50 experimentos se identificó un catalizador que supera el estándar industrial para la deshidrogenación del propano
Anuncios
Los laboratorios autodirigidos (SDL) impulsados por inteligencia artificial (IA) están acelerando rápidamente el descubrimiento de materiales, pero ¿pueden también explicar sus resultados? Los investigadores del Departamento de Teoría del Instituto Fritz Haber, en colaboración con BASF, y BasCat - UniCat BASF JointLab, demuestran que sí. Su nueva estrategia basada en la IA trabaja codo con codo con las SDL para identificar mejores catalizadores y revelar la química que subyace a su rendimiento. El método se ha validado en la crucial conversión industrial de propano en propileno.
Esquema del bucle de descubrimiento acelerado.
© ACS Catal. 2026
Un SDL integra una IA que planifica los experimentos con la automatización y la robótica del laboratorio. En la carrera por desarrollar mejores materiales, la IA y los SDL suelen ser muy apreciados por una razón principal: la velocidad. Estos sistemas pueden probar y optimizar rápidamente nuevos materiales, ayudando a los investigadores a encontrar mejores soluciones en una fracción del tiempo habitual. Pero los críticos han planteado importantes preocupaciones: Si la IA simplemente ofrece mejores resultados sin explicar por qué funcionan, ¿sigue siendo un verdadero progreso científico y cómo podemos controlar la fiabilidad?
Un nuevo estudio publicado en ACS Catalysis por el Departamento de Teoría de nuestro Instituto, en colaboración con BASF, y BasCat - UniCat BASF JointLab, demuestra que la velocidad no tiene por qué comprometer la comprensión. El equipo desarrolló una estrategia avanzada basada en IA que no sólo acelera el descubrimiento de catalizadores, sino que también revela por qué los materiales identificados funcionan mejor. Este enfoque se demostró con éxito en una reacción industrial clave: la conversión de propano en propileno, un componente esencial de la industria química y material de partida para una amplia gama de productos cotidianos, como plásticos y fibras sintéticas.
De la IA de "caja negra" a la de "caja gris
La mayoría de los métodos actuales de descubrimiento basados en IA se centran en identificar el mejor material lo antes posible. Al hacerlo, a menudo actúan como "cajas negras", produciendo respuestas sin explicaciones. Aunque esto puede ser útil para la optimización, deja a los científicos con una comprensión limitada de la química subyacente. En este caso, se adoptó un enfoque diferente: diseñando cuidadosamente la forma en que la IA explora las posibles combinaciones de materiales, se consiguió mejorar el rendimiento y, al mismo tiempo, proporcionar información significativa: una estrategia denominada "caja gris", que hace que el proceso sea más transparente y controlable.
Entendimiento y eficiencia combinados
Además de identificar rápidamente un catalizador superior a la referencia industrial actual, el método tradujo el rendimiento mejorado a un lenguaje comprensible para los químicos. Puso de relieve el efecto de los promotores individuales contenidos en el catalizador identificado y, especialmente, las interacciones sinérgicas entre ellos que se habían pasado por alto en los estudios tradicionales anteriores. Al mismo tiempo, el método siguió siendo muy eficaz: se necesitaron menos de 50 experimentos para buscar en un espacio de diseño que contenía más de 1013 aka 10000000000000 posibles combinaciones de promotores.
En conjunto, el estudio demuestra que la IA y la automatización de la química no tienen por qué ir en detrimento de la comprensión. Bien diseñadas, estas tecnologías son capaces de transformar el desarrollo de materiales, pasando de la simple búsqueda de mejores soluciones a su verdadera comprensión. En última instancia, esto hará que la IA se convierta en un socio activo en el descubrimiento científico, en lugar de ser sólo una herramienta eficaz pero apenas evaluable.
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
Charles W. P. Pare, Aybike Terzi, Christian Kunkel, Michael Geske, Raoul Naumann d’Alnoncourt, Christoph Scheurer, Frank Rosowski, Karsten Reuter; "Adaptive Experiment Planning for Inverse Design and Understanding: Synergistic Interactions as Key to Optimized Multi-Promoter Formulations"; ACS Catalysis, 2026-3-19
Más noticias del departamento ciencias
