IA en lugar de tierras raras: una start-up de Múnich busca imanes fabricados con elementos abundantes

¿Quién es alqem y a qué se dedica esta start-up? En una entrevista, Hanh Nguyen, cofundadora y directora general de alqem, responde a todas las preguntas del equipo editorial de quimica.es. ¡Muchas gracias por ello!

¿Quién es usted y de dónde es?

alqem es una empresa dedicada al descubrimiento de materiales que utiliza la inteligencia artificial para encontrar y comercializar imanes de alto rendimiento que no dependen de elementos de tierras raras. Nuestra sede central se encuentra en Múnich y contamos con un centro de investigación en Portugal.

Nuestro equipo fundador cuenta con conocimientos complementarios. Yo soy cofundadora y directora ejecutiva; antes de alqem, trabajé durante quince años en McKinsey, Unilever y OCI Global, y anteriormente dirigí la primera iniciativa de economía circular del Foro Económico Mundial, por lo que abordo los materiales desde el punto de vista de la cadena de suministro y la estrategia. Mi cofundador, el Dr. Tiago Cerqueira, nuestro director técnico, proviene del ámbito de la ciencia computacional de los materiales; es coautor de Alexandria, la principal base de datos abierta sobre materiales inorgánicos, y lleva más de diez años trabajando en flujos de trabajo de alto rendimiento basados en el aprendizaje automático y la inteligencia artificial para el descubrimiento de materiales. Por su parte, el profesor Milan Allan, nuestro director científico (CSO), ocupa la cátedra de Física Experimental en la LMU de Múnich, lo que nos proporciona una base sólida en el ámbito de los laboratorios. En torno a este núcleo, hemos creado un equipo de unos diez científicos con doctorado, y contamos con el asesoramiento de personas como la profesora Claudia Felser, del Instituto Max Planck de Dresde; el profesor Miguel Marques, de Bochum; y Michael Viertler, antiguo socio director sénior de McKinsey en Múnich y responsable de las áreas de automoción y alta tecnología.

¿Qué reto resuelve alqem? ¿Cuál es vuestra gran visión?

Casi todo lo que se mueve en la transición energética depende de un imán permanente, por ejemplo, el motor de un coche eléctrico, el generador de un aerogenerador, la robótica o los accionamientos industriales. Los imanes más potentes que sabemos fabricar requieren elementos de tierras raras, y los de mayor rendimiento necesitan tierras raras pesadas, como el disprosio y el terbio, para resistir las temperaturas a las que funciona realmente un motor.

El problema es que esta cadena de suministro está extraordinariamente concentrada. Una sola región domina la extracción y casi todo el procesamiento. Eso convierte a un material sin el cual la industria europea no puede funcionar en un cuello de botella geopolítico y económico, algo que se ha agudizado considerablemente con las restricciones a la exportación de los últimos dos años.

Lo que hacemos es utilizar la inteligencia artificial para buscar compuestos magnéticos formados a partir de elementos abundantes y accesibles que puedan superar o igualar el rendimiento de las tierras raras y, lo que es igual de importante, para predecir cómo sintetizarlos realmente. Los imanes permanentes son solo el principio. Aplicamos el mismo enfoque a los materiales termoeléctricos, que transforman el calor residual en energía útil.

La visión general es clara: una base de materiales para la transición energética que Europa pueda controlar realmente, descubierta y comercializada en años en lugar de décadas.

¿Cómo se os ocurrió la idea?

El origen es genuinamente académico. Milan y Tiago se conocieron a través de SuperC, un consorcio internacional de investigación que trabaja en uno de los objetivos más difíciles de la física: un superconductor a temperatura ambiente. Lo que hacía especial a SuperC es que, por primera vez, reunía

la teoría, la computación, la síntesis y la caracterización en un único esfuerzo coordinado para descubrir nuevos materiales.

A partir de ahí, ambos desarrollaron una convicción compartida que constaba de tres partes. En primer lugar, que la IA basada en la física es una herramienta realmente poderosa para encontrar materiales en un territorio que nadie ha explorado antes. En segundo lugar, que la forma de trabajar de SuperC no tenía por qué limitarse a los superconductores, sino que el mismo enfoque podía aplicarse a clases de materiales totalmente diferentes. Y en tercer lugar, que fuera del ámbito académico, con el enfoque adecuado y los recursos adecuados, todo ello podría avanzar a un ritmo mucho más rápido.

Mi propia trayectoria profesional es el origen de la elección de estos materiales. Quince años en el sector de la energía y los productos químicos me enseñaron que diseñamos constantemente en función de los materiales de los que disponemos, que consideramos sus limitaciones como fijas y que desarrollamos soluciones para sortearlas. Cuando has visto eso suficientes veces, empiezas a darte cuenta de lo contrario: hasta qué punto el progreso tecnológico se ve frenado silenciosamente por las limitaciones de los materiales, y cuánto se podría avanzar si esas limitaciones no existieran. Los imanes sin tierras raras con un rendimiento superior a los estándares actuales se encuentran entre los materiales en los que reside ese potencial.

¿Cómo fue vuestro proceso de desarrollo? ¿Cuáles fueron los mayores retos y contratiempos? ¿Cuáles fueron los mayores éxitos?

Construimos nuestra plataforma en tres etapas. La primera traza el espacio de las estructuras candidatas que hay que explorar. La segunda predice las propiedades relevantes —en el caso de los imanes, aspectos como la magnetización y la anisotropía— para que podamos clasificar a las candidatas. La tercera consiste en predecir la síntesis: cómo se fabricaría realmente una candidata prometedora en el laboratorio.

Uno de los mayores retos es la falta de datos del mundo real sobre imanes con los que entrenar el modelo. Por ello, nuestro enfoque ha consistido en combinar la creación de un conjunto de datos de entrenamiento ab initio con el uso de nuestras capacidades de síntesis para validar los datos de entrenamiento en una amplia gama de sistemas químicos. Estamos especialmente orgullosos del nivel de precisión que hemos alcanzado desde la predicción hasta los experimentos: nuestros valores predichos se sitúan dentro de un margen del 15 % respecto a los resultados experimentales, lo cual se ajusta plenamente a nuestras expectativas.

El otro reto es la capacidad de sintetizar los materiales predichos en el laboratorio. Los retos son dos: 1) la falta de datos experimentales fallidos publicados (algo que muchos de nuestros colegas también reconocen); y 2) estamos trabajando en nuevos sistemas que no se han abordado antes. Con ese fin, estamos desarrollando un modelo de lenguaje grande (LLM) especializado en ciencia que ayude a superar este reto, especialmente en el punto 2), donde contribuye a formular las hipótesis más fundamentadas, tal y como haría un químico sintético, ideando formas de ponerlas a prueba y aprendiendo de los resultados (fallidos).

En cuanto a los éxitos: contar con asesores del calibre que tenemos, desarrollar una capacidad de validación real en lugar de limitarnos exclusivamente al ámbito in silico (como se ha mencionado anteriormente), observar realmente en nuestra cartera de proyectos candidatos con potencial para superar a los imanes de NdFeB y SmCo en todos los aspectos, incluido el coste, y contar con un compromiso serio por parte de socios industriales que perciben este problema de forma acuciante.

¿Cómo respondieron el mercado y el sector?

Observamos un fuerte compromiso por parte de la industria. La reducción de riesgos en la cadena de suministro pasó de ser una diapositiva en una presentación estratégica a convertirse en una prioridad a nivel de consejo de administración en los sectores de la automoción y la fabricación industrial, y esto ocurrió casi en tiempo real a medida que se endurecían los controles de exportación. Eso significó que no fue necesario convencer a las personas con las que hablamos de que el problema era real o urgente.

Existe un gran interés por parte de los usuarios finales en probar nuevos candidatos a medida que se validan en nuestro laboratorio. Nos gustaría colaborar con socios seleccionados para cada caso de uso con el fin de desarrollar conjuntamente los productos de cara a su comercialización.

Por parte de los inversores, el interés provino de especialistas en «deep tech» que comprenden que las empresas de ciencia pura tienen un perfil diferente al del software, y ese es precisamente el tipo de capital que necesitan.

¿Volverías a seguir este camino, o hay algo que harías de otra manera?

Lo volvería a hacer sin dudarlo mucho, en parte porque el problema es real e importante, y en parte porque estamos formando un equipo fantástico capaz de abordar cualquier problema que se nos presente.

Lo que haría de otra manera tiene que ver, sobre todo, con avanzar aún más rápido de lo que lo estamos haciendo hoy en día.

¿Qué pueden aprender otros de la historia de tu startup?

Tengo tres cosas en mente.

Primero: la IA es más potente como amplificador de una profunda experiencia en el ámbito, no como sustituto de la misma. Los equipos que triunfen en las ciencias exactas serán aquellos que combinen buenos modelos con personas que comprendan de verdad la física y la química. Creamos alqem basándonos en esa convicción.

Segundo: elige problemas en los que tu (combinación de) perfiles sea una ventaja. En nuestro caso, nuestra experiencia como científico computacional, físico experimental y ejecutivo del sector nos ayuda a trazar un camino para resolver un problema relevante y crear valor.

Tercero: sed sinceros al contar vuestra historia; la mayoría de los inversores son inteligentes y saben ver más allá de la jerga y las fanfarronadas.