Un modelo de IA identifica electrolitos de baterías de alto rendimiento con solo 58 datos

En un mundo ideal, un modelo de inteligencia artificial (IA) que busca nuevos materiales para construir mejores baterías debería ser entrenado con millones o incluso cientos de millones de puntos de datos. Sin embargo, para las nuevas químicas de baterías que aún no cuentan con décadas de investigación, esperar por nuevos estudios resulta un proceso demasiado lento.

"Cada experimento puede llevar semanas o meses para obtener datos", afirmó Ritesh Kumar, investigador postdoctoral en el Schmidt AI in Science de la Universidad de Chicago (UChicago PME). "Es simplemente inviable esperar hasta tener millones de datos para entrenar estos modelos".

Kumar fue coautor de un artículo publicado en Nature Communications, donde se presentó un modelo de aprendizaje activo capaz de explorar un espacio virtual de un millón de electrolitos potenciales a partir de solo 58 puntos de datos. Con esta mínima información, el equipo del laboratorio del Asistente de Profesor Chibueze Amanchukwu identificó cuatro nuevos solventes electrolíticos que compiten con los electrolitos de última generación en términos de rendimiento.

Para optimizar los datos de este pequeño conjunto, el equipo incorporó experimentos como salidas, probando realmente los componentes de la batería sugeridos por la IA y luego retroalimentando esos resultados en el modelo para su posterior refinamiento.

"A menudo en la literatura, vemos proxies computacionales como salida, pero todavía existe una diferencia entre un proxy computacional y un experimento real. Así que aquí decidimos ir hasta el final y realizar experimentos como salida final", explicó Kumar. "Si el modelo sugería, 'Ok, consigue un electrolito en este espacio químico', entonces realmente construimos una batería con ese electrolito y la ciclaríamos para obtener los datos. El experimento final que nos interesa es: ¿tiene esta batería una larga vida útil?"

Confiar en que una IA extrapole millones de moléculas potenciales a partir de solo 58 datos puede ser arriesgado. Cuanto más deba extrapolar una máquina, mayor es el potencial de resultados espurios, lo que se asemeja a un retrato de Dall-E con seis dedos o a un ChatGPT generando incoherencias.

"El modelo no será muy preciso al principio, por lo que tendrá algunas predicciones y también tendrá incertidumbre asociada a esas predicciones", comentó Kumar.

Las predicciones de una IA entrenada con millones de puntos de datos serían teóricamente más confiables, por lo que el equipo verificó sus resultados a lo largo del proceso, realizando pruebas y re-pruebas para encontrar los electrolitos con la mejor capacidad de descarga.

En total, el equipo llevó a cabo siete campañas de aprendizaje activo, probando alrededor de 10 electrolitos en cada una, antes de centrarse en cuatro nuevos electrolitos con un rendimiento de primer nivel.

"No hay forma de eliminar completamente la ineficiencia de los modelos de aprendizaje automático e IA, pero debemos aprovechar lo que son buenos, como hicimos en este caso", dijo Kumar. "La otra alternativa era realizar experimentos en un millón de electrolitos, lo cual no era posible".

De predictivo a generativo

Una posible área de estudio futuro es eliminar incluso los 58 puntos de datos y permitir que una IA cree nuevas moléculas desde cero, comentó Peiyuan Ma, coautor del estudio y doctorado.

Actualmente, el modelo de IA del laboratorio extrapola moléculas a partir de moléculas existentes que otros investigadores han descrito y compilado en bases de datos. Liberar una IA verdaderamente generativa en el vasto espacio químico—potencialmente hasta 10 a la 60ª potencia, o uno con 60 ceros después—podría resultar en configuraciones novedosas que ningún científico había imaginado.

"Eso significaría que ya no estaríamos limitados por la literatura existente", dijo Ma. "El modelo, en principio, puede sugerir algunas moléculas que no existen en ninguna base de datos".

Los futuros modelos de IA también necesitarán evaluar los electrolitos potenciales en múltiples criterios. Los modelos de IA evalúan los componentes de la batería basándose en un solo factor, generalmente relacionado con la vida útil del ciclo, comentó Ma. La vida útil del ciclo es el aspecto de rendimiento más importante de una batería, pero no es el único requisito necesario para fabricar una batería que sea útil e impactante en el mundo real.

"Para que un electrolito sea comercializable con éxito, necesita cumplir múltiples criterios, como capacidad base, seguridad e incluso costo", dijo Ma. "Necesitamos que los futuros modelos de IA filtren aún más el trabajo, para extraer los mejores electrolitos de los que mejor funcionan".

Recurrir a la IA y el aprendizaje automático para encontrar nuevas moléculas puede ayudar a eliminar los sesgos en la ciencia, afirmó Kumar. Existe una inclinación humana natural a centrarse en espacios químicos que ya han mostrado resultados prometedores, en lugar de estudiar nuevas áreas que podrían cambiar el mundo o desperdiciar tiempo y recursos.

"Siempre estamos sesgados hacia lo que ya está disponible para nosotros, pero la IA puede proporcionarnos una forma de salir de nuestro sesgo", concluyó Kumar.