El desarrollo de materiales cuánticos es una de las rutas más prometedoras para construir futuros ordenadores cuánticos estables y eficientes. Sin embargo, a pesar de años de investigación, el descubrimiento de estos materiales ha sido un proceso lento y complejo. Un nuevo avance del MIT podría cambiar esto: un equipo de investigadores ha creado una herramienta que permite guiar a los modelos de inteligencia artificial generativa para que propongan materiales con estructuras atómicas específicas, clave para lograr propiedades cuánticas deseadas.
Los modelos generativos ya se utilizan en el diseño de materiales, tal como se usan para crear imágenes o textos. Pero hasta ahora, estos modelos tendían a centrarse en materiales estables, sin tener en cuenta patrones geométricos que son esenciales para manifestar propiedades cuánticas como el entrelazamiento o el comportamiento magnético no convencional. El nuevo enfoque, bautizado como SCIGEN (Structural Constraint Integration in GENerative model), introduce restricciones estructurales que orientan el proceso creativo de la IA.
Cómo funciona SCIGEN: diseño con reglas geométricas
Los materiales cuánticos suelen tener estructuras atómicas muy particulares, como los patrones de redes Kagome o Lieb, que se asemejan a triángulos superpuestos o mosaicos poligonales. Estas formas no solo son atractivas visualmente, sino que también definen cómo se comportan los electrones en el material, permitiendo la aparición de fenómenos cuánticos como la superconductividad o el estado de líquido de espín cuántico.
SCIGEN actúa como una especie de semáforo en el camino del modelo generativo: en cada paso del proceso, evalúa si el material propuesto cumple con las reglas geométricas establecidas. Si no las cumple, se descarta antes de seguir construyendo. Este filtro permite generar millones de candidatos sin desviarse del objetivo: estructuras que sean compatibles con los comportamientos cuánticos buscados.
Al probar SCIGEN sobre un modelo conocido llamado DiffCSP, el equipo pidió que generara materiales con redes de tipo arquimediano, formadas por la repetición de varios tipos de polígonos. Estas estructuras son objeto de interés por su capacidad de imitar las propiedades de elementos raros sin requerir estos recursos escasos.
Resultados concretos y materiales sintetizados
El experimento arrojó más de 10 millones de materiales candidatos, de los cuales un millón superaron una evaluación inicial de estabilidad. Gracias al poder computacional del Oak Ridge National Laboratory, los investigadores realizaron simulaciones detalladas sobre una muestra de 26.000 materiales. En casi la mitad encontraron propiedades magnéticas inusuales, una señal clara del potencial cuántico.
A partir de ese subconjunto, los científicos sintetizaron dos nuevos compuestos: TiPdBi y TiPbSb. En los laboratorios de las universidades participantes, comprobaron que estos materiales presentaban comportamientos alineados con las predicciones del modelo, validando la eficacia de SCIGEN no solo como herramienta teórica, sino también como acelerador de descubrimientos tangibles.
Implicaciones para el futuro de la computación cuántica
Uno de los grandes desafíos en la computación cuántica es encontrar materiales que puedan alojar qubits estables y resistentes a errores. Las teorías apuntan a los líquidos de espín cuántico como una posible solución, pero hasta la fecha, no se ha confirmado experimentalmente ningún material con estas propiedades. Parte del problema es que los candidatos deben tener estructuras muy concretas, como redes triangulares o Kagome, lo que limita la exploración.
SCIGEN cambia las reglas del juego al proporcionar a los científicos una herramienta para generar, de manera dirigida, miles de materiales que ya cumplen esas condiciones geométricas. No garantiza que todos sean viables, pero amplía de forma masiva el campo de juego. Como explican los investigadores, el objetivo no es crear millones de materiales estables, sino unos pocos con las propiedades adecuadas.
Este enfoque también podría tener aplicaciones más allá del ámbito cuántico. Algunas de estas estructuras, por ejemplo, poseen porosidad elevada, lo que podría servir en tareas como la captura de carbono o la filtración de gases.
El papel de la experimentación y los próximos pasos
Aunque la IA está acelerando el descubrimiento de materiales, los investigadores enfatizan que sigue siendo esencial la validación experimental. Los modelos pueden proponer ideas prometedoras, pero solo en el laboratorio se puede comprobar si realmente se pueden sintetizar y si sus propiedades son las esperadas.
El equipo planea extender SCIGEN para incorporar no solo restricciones geométricas, sino también requisitos químicos y funcionales, lo que permitirá un control más fino sobre los materiales generados. De este modo, el sistema podría ajustarse para objetivos específicos, como la conducción eléctrica, la resistencia al calor o la absorción de luz.
Como señala Ryotaro Okabe, uno de los autores principales, este enfoque permite sacrificar algo de estabilidad a cambio de abrir la puerta a materiales con un enorme potencial transformador.
