Diseñar un material nuevo suele ser más lento de lo que sugiere la idea de “probar una receta” en el laboratorio. En el caso de las aleaciones metálicas, pequeñas diferencias en cómo se acomodan los átomos pueden cambiar por completo el resultado: una mezcla puede resistir mejor el calor, deformarse sin romperse o, por el contrario, volverse frágil. Un equipo del MIT presentó ahora una herramienta basada en aprendizaje automático que apunta a predecir esas diferencias con más precisión antes de fabricar el material.
El trabajo, publicado en Science Advances, se concentra en un problema clásico de la ciencia de materiales. Muchas simulaciones funcionan bien cuando la estructura atómica sigue patrones muy ordenados, pero fallan con materiales más realistas, donde los elementos químicos se distribuyen de forma desordenada y cambian de una región a otra. Eso obliga muchas veces a fabricar muestras y ensayarlas para saber si una aleación realmente servirá para un uso concreto.
La propuesta del equipo fue entrenar modelos capaces de reconocer una diversidad mucho mayor de “entornos atómicos”, es decir, las distintas formas en que un átomo puede estar rodeado por otros dentro de un material complejo. Con esa información, los investigadores construyeron simulaciones más rápidas y más fieles para estimar propiedades en un conjunto diverso de aleaciones y bajo distintas condiciones.
La ventaja práctica es clara: si un modelo logra anticipar mejor el comportamiento de un material, se puede reducir parte del trabajo de ensayo y error. Eso no elimina la necesidad de experimentos, pero sí puede ayudar a decidir antes qué composiciones vale la pena fabricar y cuáles probablemente no funcionen. En áreas donde los ensayos son caros o lentos, como la industria aeroespacial, la electrónica o ciertos desarrollos energéticos, ese filtro previo puede ahorrar tiempo y recursos.
El interés no está solo en los metales ya conocidos. Según los autores, el enfoque también podría servir para explorar materiales nuevos, incluyendo aceros más sostenibles o compuestos adaptados a aplicaciones exigentes. La idea general es usar la inteligencia artificial no como sustituto de la física, sino como una forma de capturar patrones químicos complejos que los métodos tradicionales describen peor cuando el desorden interno del material es alto.
Eso no significa que el problema del diseño de materiales esté resuelto. Los modelos siguen dependiendo de los datos con los que fueron entrenados y de las condiciones elegidas para la simulación. Además, predecir una propiedad en computadora no equivale automáticamente a demostrar que un material será viable, barato o fácil de fabricar a gran escala. Aún así, el estudio muestra un camino prometedor para acercar dos mundos que a menudo avanzan por separado: el cálculo teórico y la validación experimental.
Si este tipo de herramientas sigue mejorando, podría cambiar la forma en que se buscan materiales para problemas muy concretos. En lugar de producir y probar enormes cantidades de variantes, los investigadores podrían llegar al laboratorio con una lista más corta y mejor fundada de candidatos. No es un reemplazó del experimento, pero sí una manera de hacer más inteligente la búsqueda.
A better way to model the behavior of metal alloys · MIT News Research
MIT News | Massachusetts Institute of Technology · Imagen acompañante del artículo fuente; atribución preservada · Fuente de imagen
Sheriff, K., Xiao, D. Z., Cao, Y., Owen, L. R., & Freitas, R. (2026). Machine learning potentials for modeling alloys across compositions. Science Advances, 12(25). https://doi.org/10.1126/sciadv.aea9951
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 masUn 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.
Los centros de datos pueden desplazar la contaminación del aire a otras regiones
Un modelo sobre Estados Unidos estima que la electricidad adicional de los centros de datos puede elevar la contaminación del aire lejos de sus instalaciones.
Un método adaptativo mejora la detección de texto generado por IA en pruebas controladas
Un preprint probó un detector que se ajusta a textos recientes sin etiquetas y rindió mejor ante cambios de estilo y tácticas para eludirlo.
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.