La ciencia de materiales obtiene su propio modelo de laboratorio autónomo
Dentro de un laboratorio en Midtown Manhattan, un sistema robótico está mezclando elementos, fundiendo aleaciones, analizando estructuras y probando el rendimiento con una intervención humana mínima. El objetivo no es una simple automatización. Es permitir que la IA proponga nuevos materiales, ejecute los experimentos necesarios para evaluarlos, aprenda de los resultados y repita el ciclo a un ritmo que rara vez alcanza la investigación tradicional en materiales.
El laboratorio pertenece a la startup Radical AI, que dice que su enfoque podría acortar el camino hacia nuevos materiales industriales para aplicaciones que van desde motores a reacción más duraderos hasta sistemas de energía de fusión. La afirmación de la empresa es que la IA puede hacer más que filtrar fórmulas conocidas. Puede ayudar a impulsar todo el ciclo de descubrimiento.
Por qué el descubrimiento de materiales es un objetivo tan difícil
Desarrollar un nuevo material suele ser un proceso muy lento. Los científicos formulan hipótesis, sintetizan un candidato, lo caracterizan, lo prueban y luego revisan la hipótesis en función de lo que ocurrió. Fast Company dice que ese ciclo puede llevar 20 años o más. Esa demora importa porque la demanda de nuevos materiales está creciendo al mismo tiempo que el mundo lidia con escasez, limitaciones de rendimiento y la carga ambiental de la extracción y la fabricación.
En otras palabras, la ciencia de materiales está llena de problemas de alto valor, pero limitada por la velocidad experimental. Eso la convierte en una combinación natural para sistemas de IA que pueden buscar en grandes espacios de diseño y para robots que pueden ejecutar muchas pruebas repetitivas sin esperar las horas de trabajo humanas.
Cómo dice Radical AI que funciona su sistema
Según el texto original, el sistema de IA de la empresa puede revisar 10.000 artículos científicos en cinco segundos. Cuando el equipo comienza con un problema, le da al sistema un conjunto de propiedades deseadas del material. Luego, la IA se apoya en 380.000 artículos y 57 millones de puntos de datos del laboratorio, incluidos experimentos fallidos que normalmente no aparecen en la literatura publicada.
Ese último punto es importante. En la ciencia, los fracasos a menudo contienen la información que ayuda a acotar un espacio de búsqueda, pero esos fracasos rara vez son visibles fuera de los cuadernos internos. El sistema de Radical los utiliza como parte de su memoria de trabajo y luego propone desde una docena hasta unos pocos cientos de materiales candidatos para probar.
Un laboratorio autodirigido, no solo un motor de predicción
El laboratorio se basa en equipos estándar de ciencia de materiales, pero el flujo de trabajo está altamente automatizado. Fast Company informa que la instalación puede realizar hasta 50 experimentos al día y aspira a 100 al día para finales del verano. El director ejecutivo Joseph Krause lo contrasta con un científico de materiales humano que podría realizar 50 experimentos en un año.
Eso no significa que las personas desaparezcan del proceso. Significa que los investigadores humanos pasan a centrarse en definir objetivos, evaluar resultados y decidir qué direcciones importan. La idea de Radical es que un científico podría enfocarse en varios problemas porque el sistema absorbe gran parte de la carga de revisión bibliográfica, generación de hipótesis y ejecución experimental.
Qué podría cambiar esto
Si el modelo se sostiene, podría alterar una de las limitaciones más persistentes del I+D industrial: el tiempo necesario para pasar de un perfil de propiedades deseado a un nuevo material viable. Un descubrimiento más rápido no garantizaría la comercialización, pero podría ampliar drásticamente el embudo al permitir que los investigadores prueben más ideas y descarten antes las malas.
La empresa recaudó 55 millones de dólares en una ronda semilla el año pasado, lo que refleja cuánta atención de los inversores está fluyendo hacia sistemas de IA que prometen no solo resumir la ciencia, sino realizarla en un ciclo más estrecho con hardware físico. Es una afirmación más difícil de validar que un benchmark de software. Pero también es la afirmación que importa si la IA va a remodelar la investigación en el mundo real.
Por qué destaca este laboratorio
- El sistema combina generación de hipótesis con IA y un flujo experimental automatizado.
- Se apoya tanto en la literatura publicada como en decenas de millones de puntos de datos internos del laboratorio.
- La empresa dice que el laboratorio ya puede realizar 50 experimentos al día, con una meta de 100.
Durante años, el papel de la IA en la ciencia se ha descrito a menudo en términos abstractos. Radical AI está haciendo un argumento mucho más concreto: que el futuro del descubrimiento puede depender de máquinas capaces de leer, razonar y luego probar físicamente sus propias ideas a velocidad industrial.
Este artículo se basa en la cobertura de Fast Company. Leer el artículo original.
Originally published on fastcompany.com
