Un equipo multidisciplinario del Laboratorio de Física Aplicada (APL) de Johns Hopkins ha descubierto un nuevo superconductor en solo tres meses gracias a la utilización de inteligencia artificial (IA). La clave de este avance provino de la combinación de experiencia en ciencia de materiales y datos reales en un modelo predictivo de IA, que acelera enormemente la línea de tiempo del descubrimiento de materiales específicos.
Los superconductores, materiales que, cuando se enfrían por debajo de una temperatura crítica, pueden conducir electricidad sin perder energía, se utilizan en varias tecnologías de vanguardia. "Una de las razones por las que elegimos los superconductores es que uno nuevo podría cambiar el mundo", explica en un comunicado Christopher Stiles, investigador senior de materiales computacionales en el Departamento de Investigación y Desarrollo Exploratorio de APL.
El nuevo superconductor es una aleación de circonio, indio y níquel con una temperatura de transición superconductora de alrededor de 9 K. Su descubrimiento, incluida la fabricación de múltiples materiales candidatos, llevó solo tres meses, lo que demuestra claramente el potencial revolucionario del descubrimiento dirigido habilitado por IA en la ciencia de los materiales.
La razón por la que la IA se adapta especialmente bien a este desafío es doble. En primer lugar, la gran cantidad de materiales posibles hace que la tarea requiera un tiempo casi inconcebible para los humanos. En segundo lugar, mientras que tanto los humanos como las computadoras razonan a partir de lo que se conoce, las computadoras pueden ser entrenadas para muestrear sistemáticamente lo desconocido. Esta segunda razón explica una gran parte de por qué Stiles y su equipo eligieron los superconductores como caso de prueba: hay suficientes superconductores conocidos y se sabe lo suficiente sobre su composición material, por lo que las composiciones no probadas con alto potencial para ser nuevos superconductores pueden ser identificadas y dirigidas con IA.
El equipo aprovechó grandes conjuntos de datos disponibles públicamente de superconductores y otros materiales conocidos para entrenar sus modelos. Si bien son útiles, estos conjuntos de datos inevitablemente contienen sesgos humanos, porque los científicos tienden a buscar nuevos superconductores haciendo pequeños ajustes a los existentes, en lugar de dar grandes saltos que podrían conducir a fallos costosos.
