En un cruce poco habitual entre la ciencia de materiales y el aprendizaje automático, investigadores de la Universidad de Tulane, en Luisiana, están desarrollando modelos de inteligencia artificial capaces de rastrear millones de combinaciones químicas en busca del próximo gran superconductor. La iniciativa forma parte de la Genesis Mission, una estrategia del gobierno federal estadounidense para acelerar el descubrimiento científico mediante herramientas de IA.

El equipo parte de un problema clásico: los superconductores —materiales que conducen electricidad sin resistencia y, por tanto, sin pérdida de energía— suelen descubrirse por accidente o tras décadas de experimentación. Para que un material reúna esas propiedades se necesitan condiciones extremas, como temperaturas criogénicas inferiores a -135 °C, lo que limita su uso práctico. Encontrar compuestos que funcionen a temperatura ambiente es el santo grial de la física de materiales desde hace más de tres décadas, y hasta ahora nadie lo ha conseguido de forma reproducible.

Aquí es donde la IA entra en juego. Los investigadores están entrenando algoritmos de aprendizaje automático sobre enormes repositorios de datos cristalográficos y propiedades electrónicas, con el objetivo de predecir qué combinaciones químicas podrían presentar superconductividad. En lugar de probar miles de muestras en el laboratorio —un proceso lento y costoso—, el modelo aprende patrones ocultos en los datos y propone candidatos prometedores que luego se validan experimentalmente.

Lo realmente significativo de este enfoque es el cambio de paradigma. Tradicionalmente, el descubrimiento de nuevos materiales ha dependido de la intuición humana, la serendipia y métodos de prueba y error. La IA no elimina ese componente creativo, pero lo multiplica: puede evaluar en horas lo que a un equipo humano le llevaría años, y detectar correlaciones que escapan al análisis manual.

El contexto: una carrera global

El movimiento de Tulane no es aislado. Google DeepMind presentó en 2023 su modelo GNoME, capaz de predecir 2,2 millones de estructuras cristalinas estables, varias de las cuales ya han sido sintetizadas en laboratorio. Iniciativas similares están en marcha en el MIT, en el Laboratorio Nacional de Argonne y en centros de investigación de China, Japón y la Unión Europea. La superconductividad a temperatura ambiente tendría implicaciones enormes: desde redes eléctricas sin pérdidas hasta trenes de levitación magnética más eficientes, computación cuántica más accesible y sistemas de almacenamiento de energía radicalmente distintos.

La Genesis Mission aporta además un componente estratégico. Al tratarse de un programa respaldado por el gobierno federal, los resultados y modelos podrían compartirse con otros centros de investigación y empresas del sector energético, acelerando la transferencia de conocimiento. En un momento de competencia tecnológica intensa entre Estados Unidos, China y Europa por el liderazgo en IA aplicada a la ciencia, este tipo de proyectos funcionan también como declaración de intenciones.

Qué pueden esperar los profesionales tech

Para quienes trabajan en el ecosistema hispano de inteligencia artificial, este caso ilustra una tendencia clara: la IA aplicada a la investigación científica está dejando de ser experimental para convertirse en infraestructura. Sectores como el farmacéutico, el energético o el de nuevos materiales están adoptando estas técnicas como estándar, no como excepción. Comprender cómo funcionan los modelos generativos y predictivos en ciencia de materiales abre oportunidades laborales en un nicho con escasez de talento especializado.

También hay límites que conviene recordar. Los modelos de IA son tan buenos como los datos con los que se entrenan, y en superconductividad muchos compuestos aún no han sido estudiados en profundidad. La predicción es solo el primer paso: la síntesis y validación en laboratorio siguen siendo imprescindibles. La IA no reemplaza al científico; lo convierte en un director de orquesta que decide qué hipótesis merecen el costoso proceso de verificación experimental.

El proyecto de Tulane es todavía early stage, pero se inscribe en una corriente que probablemente definirá los próximos diez años de innovación en materiales. Si los algoritmos logran хотя бы reducir el espacio de búsqueda de millones a cientos de candidatos viables, el ahorro en tiempo y recursos será significativo. Y si, entre esos candidatos, aparece un superconductor funcional a temperatura ambiente, el impacto tecnológico y económico será difícil de exagerar.

Por ahora, los datos —y la inteligencia artificial que los interpreta— son la mejor apuesta para lograrlo.