Descubrimientos en semanas, no en años: cómo la IA y la computación de alto rendimiento están acelerando los descubrimientos científicos
Por: Catherine Bolgar.
La informática ya ha acelerado los descubrimientos científicos. Ahora, los científicos dicen que una combinación de IA avanzada, con computación en la nube de próxima generación, acelera el ritmo de los descubrimientos a velocidades inimaginables hace solo unos años.
Microsoft y el Laboratorio Nacional del Noroeste del Pacífico (PNNL, por sus siglas en inglés) en Richland, Washington, colaboran para demostrar cómo esta aceleración puede beneficiar a la química y la ciencia de los materiales, dos campos científicos fundamentales para encontrar las soluciones energéticas que el mundo necesita.
Los científicos del PNNL han comenzado a probar un nuevo material de batería que se encontró en cuestión de semanas, no años, como parte de la colaboración con Microsoft para utilizarlo en IA avanzada y computación de alto rendimiento (HPC, por sus siglas en inglés), un tipo de computación basada en la nube que combina un gran número de computadoras para resolver tareas científicas y matemáticas complejas.
Como parte de este esfuerzo, el equipo de Microsoft Quantum utilizó la IA para identificar alrededor de 500 mil materiales estables en el espacio de unos pocos días.
El nuevo material de la batería surgió de una colaboración donde se utilizó Azure Quantum Elements de Microsoft para convertir 32 millones de materiales inorgánicos potenciales en 18 candidatos prometedores que podrían usarse en el desarrollo de baterías en solo 80 horas. Y lo que es más importante, este trabajo abre el camino para una nueva forma de acelerar las soluciones para los desafíos urgentes de sostenibilidad, farmacéuticos y de otro tipo, al tiempo que da una idea de los avances que serán posibles con la computación cuántica.
«Creemos que hay una oportunidad de hacer esto en una serie de campos científicos», dice Brian Abrahamson, director digital de PNNL. «Los recientes avances tecnológicos han abierto la oportunidad de acelerar los descubrimientos científicos».
PNNL es un laboratorio del Departamento de Energía de EE. UU. que realiza investigaciones en varias áreas, incluidas la química y la ciencia de los materiales, y sus objetivos incluyen la seguridad energética y la sostenibilidad. Eso lo convirtió en el colaborador ideal de Microsoft para aprovechar los modelos avanzados de IA para descubrir nuevos candidatos a materiales para baterías.
«El desarrollo de nuevas baterías es un desafío global de suma importancia», dice Abrahamson. «Ha sido un proceso laborioso. Sintetizar y probar materiales a escala humana es, en esencia, limitante».
Aprendizaje a través de prueba y error
El primer paso tradicional de la síntesis de materiales es leer todos los estudios publicados de otros materiales y plantear hipótesis sobre cómo podrían funcionar los diferentes enfoques. «Pero uno de los principales desafíos es que las personas publiquen sus historias de éxito, no sus historias de fracaso», dice Vijay Murugesan, líder del grupo de ciencias de los materiales en PNNL. Eso significa que los científicos rara vez se benefician de aprender de los fracasos de los demás.
El siguiente paso científico tradicional es probar las hipótesis, lo que suele ser un proceso largo e iterativo. «Si es un fracaso, volvemos a la mesa de dibujo», dice Murugesan. Uno de sus proyectos anteriores en PNNL, una tecnología de baterías de flujo redox de vanadio, requirió varios años para resolver un problema y diseñar un nuevo material.
El método tradicional requiere ver cómo mejorar lo que se ha hecho en el pasado. Otro enfoque sería tomar todas las posibilidades y, a través de la eliminación, encontrar algo nuevo. El diseño de nuevos materiales requiere muchos cálculos, y es probable que la química sea una de las primeras aplicaciones de la computación cuántica. Azure Quantum Elements ofrece un sistema de computación en la nube diseñado para la investigación en química y ciencia de los materiales con la vista puesta en la computación cuántica final, y ya ha comenzado a trabajar en este tipo de modelos, herramientas y flujos de trabajo. Estos modelos se mejorarán para los futuros ordenadores cuánticos, pero ya han demostrado ser útiles para avanzar en el descubrimiento científico a través de la utilización de los ordenadores tradicionales.
Para evaluar su progreso en el mundo real, el equipo de Microsoft Quantum se centró en algo omnipresente en nuestras vidas: los materiales para las baterías.
Enseñar la ciencia de los materiales a la IA
Microsoft primero entrenó a diferentes sistemas de IA para que hicieran evaluaciones sofisticadas de todos los elementos viables y sugirieran combinaciones. El algoritmo propuso 32 millones de candidatos, como encontrar una aguja en un pajar. A continuación, el sistema de IA encontró todos los materiales que eran estables. Otra herramienta de IA filtró las moléculas candidatas en función de su reactividad y otra en función de su potencial para conducir energía.
La idea no es encontrar todas las agujas posibles en el hipotético pajar, sino encontrar la mayoría de las buenas. La tecnología de inteligencia artificial de Microsoft redujo los 32 millones de candidatos a unos 500 mil, en su mayoría nuevos materiales estables, y luego a 800.
«En cada paso de la simulación en el que tuve que ejecutar un cálculo de química cuántica, en su lugar llamo al modelo de aprendizaje automático. Por lo tanto, obtengo la información y las observaciones detalladas que se obtienen al ejecutar la simulación, pero la simulación puede ser hasta medio millón de veces más rápida», afirma Nathan Baker, líder de producto de Azure Quantum Elements.
La IA puede ser rápida, pero no tiene una precisión perfecta. El siguiente conjunto de filtros utilizó HPC, que proporciona una alta precisión pero utiliza mucho poder informático. Eso lo convierte en una buena herramienta para un conjunto más pequeño de materiales candidatos. La primera verificación HPC utilizó la teoría del funcional de la densidad para calcular la energía de cada material en relación con todos los demás estados en los que podría estar. Luego vinieron las simulaciones de dinámica molecular que combinaban IA y HPC para analizar los movimientos de átomos y moléculas dentro de cada material.
Este proceso redujo la lista a 150 candidatos. Por último, los científicos de Microsoft utilizaron HPC para evaluar la practicidad de cada material (disponibilidad, coste y demás) para recortar la lista a 23, cinco de los cuales ya se conocían.
Gracias a esta combinación de IA y HPC, el descubrimiento de los candidatos a materiales más prometedores se llevó solo 80 horas.
La parte de HPC representó el 10 por ciento del tiempo dedicado a la computación, y eso fue en un conjunto de moléculas ya objetivo. Esta computación intensiva es el cuello de botella, incluso en universidades e instituciones de investigación que tienen supercomputadoras, que no solo no están adaptadas a un dominio específico, sino que también son compartidas, por lo que los investigadores pueden tener que esperar su turno. Las herramientas de IA basadas en la nube de Microsoft alivian esta situación.
Amplias aplicaciones y accesibilidad
Los científicos de Microsoft utilizaron la IA para hacer la gran mayoría de las tareas de aventado, lo que representa alrededor del 90 por ciento del tiempo computacional dedicado. Luego, los científicos de materiales del PNNL examinaron la lista corta hasta media docena de materiales candidatos. Debido a que las herramientas de IA de Microsoft están entrenadas para la química, no solo para los sistemas de baterías, se pueden usar para cualquier tipo de investigación de materiales, y la nube siempre es accesible.
«Creemos que la nube es un recurso tremendo para mejorar la accesibilidad a las comunidades de investigación», señala Abrahamson.
Hoy en día, Microsoft admite un copiloto específico de química y herramientas de inteligencia artificial que juntas actúan como un imán que saca posibles agujas del pajar, lo que recorta el número de candidatos para una mayor exploración para que los científicos sepan dónde enfocarse. «La visión en la que trabajamos es la de los materiales generativos, en los que puedo pedir una lista de nuevos compuestos para baterías con los atributos que deseo», dice Baker.
La etapa práctica es donde se encuentra el proyecto ahora. El material se ha sintetizado con éxito y se ha convertido en prototipos de baterías que son funcionales y se someterán a múltiples pruebas en el laboratorio. La fabricación del material en este momento, antes de que se comercialice, es artesanal. Uno de los primeros pasos es tomar precursores sólidos de los materiales y molerlos a mano con un mortero, explica Shannon Lee, científica de materiales del PNNL. A continuación, utiliza una prensa hidráulica para compactar el material en una bolita en forma de diez centavos. Entra en un tubo de vacío y se calienta a 450 a 650 grados Celsius (842 a 1202 grados Fahrenheit), se transfiere a una caja para mantenerlo alejado del oxígeno o el agua, y luego se muele en polvo para su análisis.
Para este material, el proceso de 10 o más horas es «relativamente rápido», dice Lee. «A veces se tarda una o dos semanas en hacer un solo material».
Luego, se deben probar cientos de baterías en funcionamiento, durante miles de ciclos de carga diferentes y otras condiciones, y luego diferentes formas y tamaños de baterías para realizar un uso comercial. Murugesan sueña con el desarrollo de un gemelo digital para la química o los materiales, «para que no sea necesario ir a un laboratorio y juntar este material y hacer una batería y probarlo. Puedes decir, ‘este es mi ánodo y este es mi cátodo y ese es el electrolito y esta es la cantidad de voltaje que voy a aplicar’, y luego puede predecir cómo funcionará todo junto. Incluso detalles como, después de 10 mil ciclos y cinco años de uso, el rendimiento del material será así».
Microsoft ya trabaja en herramientas digitales para acelerar las otras partes del proceso científico.
El largo proceso tradicional se ilustra con las baterías de iones de litio. El litio llamó la atención como componente de la batería a principios de la década de 1900, pero las baterías recargables de iones de litio no llegaron al mercado hasta la década de 1990.
Hoy en día, las baterías de iones de litio funcionan cada vez más en nuestro mundo, desde teléfonos hasta dispositivos médicos, vehículos eléctricos y satélites. Se espera que la demanda de litio aumente de cinco a diez veces para 2030, según el Departamento de Energía de Estados Unidos. El litio ya es relativamente escaso y, por lo tanto, caro. La minería es problemática desde el punto de vista ambiental y geopolítico. Las baterías tradicionales de iones de litio también plantean problemas de seguridad, con el potencial de incendiarse o explotar.
Muchos investigadores buscan alternativas, tanto para el litio como para los materiales utilizados como electrolitos. Los electrolitos de estado sólido son prometedores por su estabilidad y seguridad.
Resultados sorprendentes
El material recién descubierto que los científicos de PNNL prueban en la actualidad utiliza litio y sodio, así como algunos otros elementos, lo que reduce de manera considerable el contenido de litio, en hasta casi un 70 por ciento. Todavía es temprano en el proceso: la química exacta está sujeta a optimización y es posible que no funcione cuando se pruebe a mayor escala, advierte Abrahamson. Señala que la historia aquí no se trata de este material de batería en particular, sino más bien de la velocidad a la que se identificó un material. Los científicos dicen que el ejercicio en sí es de un inmenso valor y ha revelado algunas sorpresas.
El material derivado de la IA es un electrolito de estado sólido. Los iones se desplazan de un lado a otro a través del electrolito, entre el cátodo y el ánodo, con una resistencia mínima de manera ideal.
Se pensaba que los iones de sodio y los iones de litio no podían usarse juntos en un sistema de electrolito de estado sólido porque tienen una carga similar pero tienen diferentes tamaños. Se asumió que el marco estructural de un material electrolítico de estado sólido no podía soportar el movimiento de dos iones diferentes. Pero después de las pruebas, dice Murugesan, «descubrimos que los iones de sodio y litio parecen ayudarse de manera mutua».
El nuevo material tiene una ventaja, dice Baker, porque, de manera natural, su estructura molecular tiene canales incorporados que ayudan a ambos iones a moverse a través del electrolito.
El trabajo en el nuevo material se encuentra en las primeras etapas, pero «sin importar si es una batería viable a largo plazo, la velocidad a la que encontramos una química de batería viable es bastante convincente», dice Abrahamson.
Todavía es posible realizar descubrimientos adicionales. Murugesan y su equipo aún tienen que fabricar y probar la mayoría de los otros nuevos candidatos a material que sugerían los modelos de Microsoft. La colaboración continúa, con químicos computacionales del PNNL que aprenden a usar las nuevas herramientas, incluido un copiloto capacitado en química y otras publicaciones científicas.
«Con Microsoft y PNNL, esta es una colaboración duradera para acelerar el descubrimiento científico, donde se aporta el poder de estos cambios de paradigma computacional, con la química y la ciencia de los materiales que son una fortaleza distintiva del Laboratorio Nacional del Noroeste del Pacífico», dice Abrahamson.
«Estamos sentados en el precipicio de esta maduración de los modelos de inteligencia artificial, el poder de cómputo para entrenarlos y hacerlos útiles, y la capacidad de entrenarlos en dominios científicos específicos con inteligencia específica», añade. «Creemos que eso va a marcar el comienzo de una nueva era de aceleración. Eso es emocionante, porque estos problemas son importantes para el mundo».
Enlaces relacionados:
- Lean: Desbloqueando una nueva era para el descubrimiento científico con IA: cómo la IA de Microsoft examinó a más de 32 millones de candidatos para encontrar una batería mejor
- Leer Azure Quantum Elements tiene como objetivo comprimir 250 años de química en los próximos 25
- Más información sobre Azure Quantum Elements
- Lean el comunicado de prensa de PNNL: Energy Storage y Materials Discovery inician una colaboración de tres años con Microsoft
Imagen de portada: Dan Thien Nguyen, un científico de materiales del PNNL, ensambla una pila de botón con el electrolito sólido sintetizado. Con las herramientas de IA que guían a los investigadores, la síntesis y las pruebas pueden orientarse en la dirección correcta hacia mejores materiales para aplicaciones particulares. Foto de Dan DeLong para Microsoft.