Descubrimiento de Materiales GNoME

Utilizando modelos avanzados de redes neuronales de grafos (GNN), GNoME procesa las estructuras cristalinas como grafos, representando las conexiones entre átomos, lo que lo hace excepcionalmente adecuado para descubrir nuevos materiales cristalinos. La herramienta emplea dos pipelines: un pipeline estructural que genera candidatos similares a cristales conocidos, y un pipeline composicional que explora nuevas fórmulas químicas. Estos candidatos se evalúan luego utilizando cálculos de Teoría Funcional de la Densidad (DFT), y los resultados informan el proceso de aprendizaje activo de GNoME, mejorando continuamente su precisión predictiva. Este enfoque ha impulsado la tasa de descubrimiento de materiales estables de alrededor del 50% a más del 80%.

GNoME ya ha identificado 2.2 millones de nuevos cristales, una cifra equivalente a aproximadamente 800 años de investigación tradicional. Crucialmente, se predice que 380.000 de estos son altamente estables, lo que los convierte en candidatos prometedores para la síntesis experimental y la aplicación potencial en tecnologías transformadoras. Estos incluyen materiales para superconductores, baterías de próxima generación y supercomputadoras. La herramienta ha expandido significativamente el universo conocido de materiales tecnológicamente viables, descubriendo, por ejemplo, 52.000 nuevos compuestos laminares similares al grafeno y 528 conductores potenciales de iones de litio.

El proyecto tiene como objetivo democratizar el descubrimiento de materiales al hacer que las predicciones de GNoME estén disponibles públicamente. Los 380.000 materiales estables predichos se están contribuyendo a la base de datos Materials Project, empoderando a investigadores de todo el mundo. La validación independiente ha demostrado que investigadores externos han sintetizado con éxito 736 de las estructuras predichas por GNoME experimentalmente. Además, en colaboración con el Laboratorio Nacional Lawrence Berkeley, las predicciones de GNoME se están aprovechando para la síntesis autónoma de materiales, demostrando el potencial de la IA para guiar laboratorios robóticos en la creación de nuevos materiales a un ritmo sin precedentes.