La inteligencia artificial ya se usa para buscar materiales nuevos sin depender tanto del ensayo y error, pero tiene un problema conocido: muchas veces acierta sin explicar por qué. Un estudio publicado en Advanced Intelligent Discovery propone una manera de abrir un poco esa “caja negra” en modelos que predicen cómo un cristal absorbe la luz, una propiedad importante para tecnologías como celdas solares, fotodetectores, pigmentos y otros dispositivos ópticos.
La idea central no es reemplazar a los modelos actuales, sino hacerlos más comprensibles. En lugar de quedarse solo con la predicción final, el equipo analizó qué rasgos internos había aprendido una red neuronal entrenada con datos de estructura atómica y espectros ópticos. Después usó esos rasgos para agrupar materiales con comportamientos parecidos y buscar qué elementos de su estructura cristalina parecían estar detrás de esas similitudes.
Para probar el método, los investigadores trabajaron con datos de 2.681 óxidos metálicos, calcogenuros y compuestos relacionados. El modelo utilizado fue una red neuronal de grafos llamada ALIGNN, diseñada para tratar la estructura atómica como una red de relaciones entre átomos. A partir de sus capas internas, el equipo extrajo características aprendidas por la IA y aplicó un análisis de agrupamiento jerárquico, una herramienta estadística que permite clasificar objetos según su parecido.
Ese paso les permitió ordenar los materiales en grupos que compartían no solo formas similares en sus espectros ópticos, sino también rasgos estructurales comparables, como composición elemental, coordinación atómica, longitudes de enlace y ángulos. Según los autores, eso sugiere que el modelo había captado relaciones físicamente significativas entre la estructura del cristal y la forma en que interactúa con la luz, aún sin recibir de forma explícita información como estados de oxidación o configuraciones electrónicas.
Para quien no trabaja en ciencia de materiales, el interés del hallazgo está en algo bastante concreto: si una IA puede explicar mejor qué pistas usa para hacer sus predicciones, los investigadores pueden confiar más en sus sugerencias y convertirlas en reglas útiles de diseño. En vez de obtener solo una lista opaca de candidatos prometedores, sería posible entender mejor qué combinaciones de átomos y entornos estructurales favorecen ciertas propiedades ópticas.
Eso podría ayudar a orientar la búsqueda de materiales con funciones específicas, por ejemplo para absorber o detectar luz de determinada manera. También ofrece una ventaja metodológica más amplia. Si el enfoque funciona con otros tipos de espectros o con propiedades que cambian con temperatura, presión u otras condiciones, podría servir para estudiar una variedad mayor de materiales sin depender exclusivamente de intuiciones previas o de campañas extensas de prueba y error.
De todos modos, el estudio tiene límites claros. La demostración se hizo sobre espectros ópticos de cristales inorgánicos y con un conjunto de datos concreto, no sobre todas las propiedades posibles de los materiales. Además, volver más interpretable a un modelo no garantiza por sí solo que cada predicción sea correcta ni que un material sugerido vaya a funcionar en una aplicación real. Todavía hace falta contrastar esas pistas con experimentos y con otros métodos de simulación.
Incluso con esas cautelas, el trabajo apunta a una necesidad cada vez más importante en la investigación asistida por IA: no basta con predecir, también hace falta entender. En campos donde pequeñas diferencias atómicas pueden cambiar por completo el comportamiento de un material, saber por qué un modelo recomienda una opción y no otra puede ser casi tan valioso como la recomendación misma.
Interpretable AI in materials discovery: Uncovering how models make predictions · Phys.org
Phys.org · Imagen acompañante del artículo fuente; atribución preservada · Fuente de imagen
Takahashi, A., Kumagai, Y., Takamatsu, A., & Oba, F. (2026). Deep Learning-Based Extraction of Promising Material Groups and Common Features from High-Dimensional Data: A Case of Optical Spectra of Inorganic Crystals. Advanced Intelligent Discovery, e202600007. https://doi.org/10.1002/aidi.202600007
Relacionadas por categoría
Ver masUna ruta química devuelve siliconas difíciles de reciclar a una materia prima
Un estudio propone desarmar siliconas resistentes y recuperar diclorosilano, una molécula que puede volver a emplearse para fabricar estos materiales.
Remolinos eléctricos sin plomo que se ordenan sobre silicio
Un estudio logró ordenar vórtices eléctricos nanométricos en capas de titanatos sin plomo crecidas sobre silicio, un paso de investigación para explorar nuevos materiales electrónicos.
Por qué el titanio no evita por completo la corrosión del acero inoxidable
Un experimento con acero inoxidable identificó partículas microscópicas que pueden iniciar corrosión localizada aún cuando la aleación contiene titanio.
Más de la misma fuente
Ver masCuando las partículas se atraen, un hielo de espín artificial cambia sus reglas
Un experimento con esferas microscópicas muestra cómo la atracción y la forma de una red pueden producir orden colectivo o impedirlo.
Diez átomos ultrafríos para estudiar una regla de la antimateria
Un experimento con átomos de rubidio imita en miniatura cómo un campo eléctrico puede favorecer la creación de pares de partículas en un modelo cuántico.
Una IA ayuda a convertir ideas de química en pruebas para diseñar enzimas
Un sistema traduce instrucciones en lenguaje común a simulaciones y cambios candidatos para enzimas, pero sus propuestas todavía deben comprobarse en el laboratorio.
Más del mismo autor
Ver masEl clima puede cambiar el mapa de plagas en bosques de Norteamérica
Un estudio proyecta que, si las emisiones siguen altas, más del 80% de los bosques analizados en Norteamérica podría enfrentar mayor presión de plagas y enfermedades hacia mediados de siglo.
Las suricatas pueden volver solas a su grupo tras ser desplazadas
Un experimento de campo halló que 18 de 20 suricatas desplazadas a 1,5 kilómetros regresaron de forma dirigida, sin seguir a otros miembros de su grupo.
Un material seco podría extender el uso de ecografías portátiles sin gel
Una interfaz elástica y seca transmitió ultrasonido durante días en pruebas de laboratorio y siguió el flujo sanguíneo durante un paseo en bicicleta.