{"id":9752,"date":"2026-06-19T15:02:50","date_gmt":"2026-06-19T18:02:50","guid":{"rendered":"http:\/\/laf5.publisher.highstack.com.ar\/?p=9752"},"modified":"2026-06-19T15:02:50","modified_gmt":"2026-06-19T18:02:50","slug":"una-ia-ha-encontrado-una-forma-inesperada-de-buscar-mejores-catalizadores-para-producir-hidrogeno-verde-en-vez-de-mirar-una-sola-familia-de-materiales-cruzo-conocimientos-entre-atomos-individuales-y","status":"publish","type":"post","link":"https:\/\/laf5.publisher.highstack.com.ar\/?p=9752","title":{"rendered":"Una IA ha encontrado una forma inesperada de buscar mejores catalizadores para producir hidr\u00f3geno verde. En vez de mirar una sola familia de materiales, cruz\u00f3 conocimientos entre \u00e1tomos individuales y perovskitas"},"content":{"rendered":"
\n

La ciencia de materiales tiene algo parad\u00f3jico. Es una disciplina capaz de dise\u00f1ar estructuras a escala at\u00f3mica, pero muchas veces trabaja dentro de cajones muy ordenados: \u00f3xidos por un lado, metales por otro, catalizadores monoat\u00f3micos en su propia conversaci\u00f3n y perovskitas en otra completamente distinta. Esa separaci\u00f3n ayuda a entender sistemas complejos. Pero tambi\u00e9n puede dejar fuera las combinaciones m\u00e1s interesantes.<\/p>\n

Un equipo del Instituto de Ciencias B\u00e1sicas de Corea del Sur acaba de probar justo esa idea con inteligencia artificial. En un estudio publicado en Nature Materials, los investigadores presentaron una red neuronal capaz de aprender al mismo tiempo de dos grandes familias de catalizadores que normalmente se estudian por separado: los catalizadores monoat\u00f3micos soportados sobre carbono y los \u00f3xidos de tipo perovskita. El resultado fue una nueva plataforma h\u00edbrida para la electr\u00f3lisis del agua.<\/p>\n

La clave no est\u00e1 solo en usar IA, algo que ya se ha vuelto habitual en la b\u00fasqueda de nuevos materiales. Lo interesante es que el sistema no se limit\u00f3 a optimizar una lista conocida de candidatos. Aprendi\u00f3 patrones compartidos entre materiales distintos y los us\u00f3 para predecir una familia que no hab\u00eda visto durante su entrenamiento: catalizadores monoat\u00f3micos anclados sobre \u00f3xidos de perovskita.<\/p>\n

El hidr\u00f3geno verde tiene un problema lento y caro en mitad del proceso<\/h2>\n
\"Una
\u00a9 L\u00e9o Ramos Chaves\/Revista Pesquisa FAPESP.<\/figcaption><\/figure>\n

El hidr\u00f3geno verde se produce mediante electr\u00f3lisis: se usa electricidad renovable para separar el agua en hidr\u00f3geno y ox\u00edgeno. Sobre el papel parece limpio y directo. En la pr\u00e1ctica, uno de sus grandes obst\u00e1culos est\u00e1 en la reacci\u00f3n de evoluci\u00f3n de ox\u00edgeno, conocida como OER por sus siglas en ingl\u00e9s. Esa etapa es lenta y consume mucha energ\u00eda, as\u00ed que encontrar mejores catalizadores resulta clave para abaratar y hacer m\u00e1s eficiente el proceso.<\/p>\n

Durante a\u00f1os, los laboratorios han buscado catalizadores dentro de familias concretas. Si se estudian \u00f3xidos, se comparan \u00f3xidos. Si se estudian metales o catalizadores monoat\u00f3micos, se prueban variantes dentro de ese mundo. Tiene sentido: cada familia tiene sus reglas, sus m\u00e9todos y sus datos experimentales. Pero el nuevo trabajo parte de una sospecha distinta: quiz\u00e1 el mejor catalizador no est\u00e9 dentro de una sola categor\u00eda, sino en la frontera entre varias.<\/p>\n

Como explic\u00f3 Taeghwan Hyeon, director del proyecto, el objetivo no era encontrar \u201cel mejor catalizador dentro de una categor\u00eda\u201d, sino demostrar que una IA pod\u00eda conectar conocimiento de familias distintas para descubrir clases nuevas de materiales.<\/p>\n

Una red neuronal que aprende dos lenguajes qu\u00edmicos a la vez<\/h2>\n

Para hacerlo, los investigadores desarrollaron una Crossbreeding Neural Network, o CBNN. El nombre es bastante gr\u00e1fico: una red neuronal de \u201ccruce\u201d que intenta mezclar informaci\u00f3n de sistemas diferentes. Por un lado, aprendi\u00f3 de catalizadores monoat\u00f3micos sobre carbono, \u00fatiles para entender c\u00f3mo se comportan \u00e1tomos individuales en superficies activas. Por otro, aprendi\u00f3 de \u00f3xidos de perovskita, materiales donde la estructura cristalina interna influye mucho en el rendimiento catal\u00edtico.<\/p>\n

La novedad est\u00e1 en c\u00f3mo integr\u00f3 esos datos. Seg\u00fan el resumen del art\u00edculo en Nature Materials, el equipo us\u00f3 descriptores compartidos seleccionados mediante an\u00e1lisis estad\u00edstico automatizado y procesamiento del lenguaje natural. Es decir, la IA no solo recibi\u00f3 n\u00fameros: tambi\u00e9n ayud\u00f3 a identificar qu\u00e9 propiedades qu\u00edmicas pod\u00edan servir como puente entre familias de materiales. Entre esas variables aparecieron el estado de oxidaci\u00f3n, el radio i\u00f3nico, la electronegatividad, el n\u00famero de coordinaci\u00f3n y los electrones d de valencia.<\/p>\n

Dicho de forma m\u00e1s simple: la IA busc\u00f3 un idioma com\u00fan entre materiales que los humanos hab\u00edan acostumbrado a estudiar en dialectos separados.<\/p>\n

El salto importante: acert\u00f3 con materiales que no formaban parte de su entrenamiento<\/h2>\n

La prueba realmente interesante lleg\u00f3 cuando el modelo tuvo que predecir el rendimiento de una clase nueva: \u00e1tomos met\u00e1licos individuales colocados sobre part\u00edculas de perovskita. Esta arquitectura combina dos ideas potentes: la precisi\u00f3n de los catalizadores monoat\u00f3micos y la capacidad de dise\u00f1o estructural de las perovskitas.<\/p>\n

El equipo sintetiz\u00f3 12 catalizadores experimentales dentro de esa familia in\u00e9dita y la IA logr\u00f3 ordenar correctamente sus tendencias de actividad. Ese punto es importante porque muchos modelos funcionan bien cuando se mueven cerca de los datos que ya conocen, pero fallan al salir de su zona de entrenamiento. Aqu\u00ed ocurri\u00f3 algo distinto: el sistema extrapol\u00f3 hacia una familia que no hab\u00eda visto antes.<\/p>\n

Junseok Moon, coautor principal del trabajo, lo resumi\u00f3 con una idea clara: el modelo no se limit\u00f3 a memorizar datos existentes, sino que pudo juzgar qu\u00e9 catalizadores funcionar\u00edan mejor en un grupo de materiales completamente nuevo.<\/p>\n

M\u00e1s de 8.000 candidatos para encontrar una mezcla muy dif\u00edcil de intuir<\/h2>\n
\"Una
\u00a9 Nicole Meyer.<\/figcaption><\/figure>\n

Despu\u00e9s de validar el enfoque, los investigadores ampliaron la b\u00fasqueda. La IA examin\u00f3 8.008 candidatos multimet\u00e1licos y se\u00f1al\u00f3 una combinaci\u00f3n especialmente prometedora: tungsteno, molibdeno, rutenio y rodio anclados sobre una perovskita de calcio, praseodimio, cobalto y hierro, abreviada como CPCF.<\/p>\n

La f\u00f3rmula es enrevesada, pero la idea es sencilla: cuantos m\u00e1s metales entran en juego, m\u00e1s explosivo se vuelve el n\u00famero de combinaciones posibles. Probarlas una por una mediante ensayo y error ser\u00eda lent\u00edsimo. Ah\u00ed la IA act\u00faa como filtro, no como sustituto del laboratorio: reduce el oc\u00e9ano de candidatos a unas pocas estructuras con sentido qu\u00edmico.<\/p>\n

Y esta vez la predicci\u00f3n sali\u00f3 de la pantalla. Seg\u00fan el Instituto de Ciencias B\u00e1sicas, el catalizador propuesto fue sintetizado y validado experimentalmente, superando a perovskitas estudiadas previamente, a catalizadores monoat\u00f3micos sobre carbono y a todas las estructuras monomet\u00e1licas preparadas durante el estudio.<\/p>\n

La parte m\u00e1s interesante quiz\u00e1 no sea el catalizador, sino el m\u00e9todo<\/h2>\n

El hallazgo puede ayudar al hidr\u00f3geno verde, pero su impacto conceptual va un poco m\u00e1s all\u00e1. La IA no encontr\u00f3 una aguja en un pajar conocido: conect\u00f3 dos pajares distintos y sugiri\u00f3 buscar en el espacio que quedaba entre ambos. Esa es una forma bastante diferente de acelerar la ciencia de materiales.<\/p>\n

Adem\u00e1s, el modelo no funcion\u00f3 como una caja negra absoluta. Los investigadores usaron t\u00e9cnicas de inteligencia artificial explicable para visualizar qu\u00e9 entornos at\u00f3micos influ\u00edan m\u00e1s en la actividad catal\u00edtica y para detectar interacciones beneficiosas entre metales vecinos. Nature Materials destaca precisamente esa conexi\u00f3n entre importancia de descriptores, contribuciones at\u00f3micas superficiales y tendencias de actividad.<\/p>\n

Los autores creen que este enfoque podr\u00eda extenderse a bater\u00edas, materiales de almacenamiento energ\u00e9tico e incluso descubrimiento de f\u00e1rmacos, campos donde tambi\u00e9n existen datos dispersos entre comunidades cient\u00edficas que no siempre hablan el mismo idioma t\u00e9cnico.<\/p>\n

La lecci\u00f3n final es bastante potente: durante d\u00e9cadas ordenamos los materiales en categor\u00edas para poder entenderlos. Ahora, una IA empieza a sugerir que algunas de las mejores respuestas podr\u00edan estar justo donde esas categor\u00edas se tocan. Y para el hidr\u00f3geno verde, donde cada mejora de eficiencia importa, esa frontera puede valer mucho m\u00e1s que una simple curiosidad acad\u00e9mica.<\/p>\n<\/p><\/div>\n","protected":false},"excerpt":{"rendered":"

La ciencia de materiales tiene algo parad\u00f3jico. Es una disciplina capaz de dise\u00f1ar estructuras a escala at\u00f3mica, pero muchas veces trabaja dentro de cajones muy ordenados: \u00f3xidos por un lado, metales por otro, catalizadores monoat\u00f3micos en su propia conversaci\u00f3n y perovskitas en otra completamente distinta. Esa separaci\u00f3n ayuda a entender sistemas complejos. Pero tambi\u00e9n puede […]<\/p>\n","protected":false},"author":1,"featured_media":9753,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-9752","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"_links":{"self":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/9752","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=9752"}],"version-history":[{"count":0,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/posts\/9752\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=\/wp\/v2\/media\/9753"}],"wp:attachment":[{"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=9752"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=9752"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/laf5.publisher.highstack.com.ar\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=9752"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}