Un equipo multidisciplinario del Laboratorio de FÃsica Aplicada (APL) de Johns Hopkins ha descubierto un nuevo superconductor en solo tres meses gracias a la utilización de inteligencia artificial (IA).
La clave de este avance provino de la combinación de experiencia en ciencia de materiales y datos reales en un modelo predictivo de IA, que acelera enormemente la lÃnea de tiempo del descubrimiento de materiales especÃficos.
Los superconductores, materiales que, cuando se enfrÃan por debajo de una temperatura crÃtica, pueden conducir electricidad sin perder energÃa, se utilizan en varias tecnologÃas de vanguardia. "Una de las razones por las que elegimos los superconductores es que uno nuevo podrÃa cambiar el mundo", explica en un comunicado Christopher Stiles, investigador senior de materiales computacionales en el Departamento de Investigación y Desarrollo Exploratorio de APL.
El nuevo superconductor es una aleación de circonio, indio y nÃquel con una temperatura de transición superconductora de alrededor de 9 K. Su descubrimiento, incluida la fabricación de múltiples materiales candidatos, tomó solo tres meses, lo que demuestra claramente el potencial revolucionario del descubrimiento dirigido habilitado por IA en la ciencia de los materiales. .
La razón por la que la IA se adapta especialmente bien a este desafÃo es doble. En primer lugar, la gran cantidad de materiales posibles hace que la tarea requiera un tiempo casi inconcebible para los humanos. En segundo lugar, mientras que tanto los humanos como las computadoras razonan a partir de lo que se conoce, las computadoras pueden ser entrenadas para muestrear sistemáticamente lo desconocido. Esta segunda razón es una gran parte de por qué Stiles y su equipo eligieron los superconductores como caso de prueba: hay suficientes superconductores conocidos, y se sabe lo suficiente sobre su composición material, que las composiciones no probadas con alto potencial para ser nuevos superconductores pueden ser identificados y dirigidos con IA.
El equipo aprovechó grandes conjuntos de datos disponibles públicamente de superconductores y otros materiales conocidos para entrenar sus modelos. Si bien son útiles, estos conjuntos de datos inevitablemente contienen sesgos humanos, porque los cientÃficos tienden a buscar nuevos superconductores haciendo pequeños ajustes a los existentes, en lugar de dar grandes saltos que podrÃan conducir a fallos costosos.
