La fabricación de motores eléctricos, desde los que impulsan vehículos hasta pequeños electrodomésticos, depende en gran medida de imanes fabricados con tierras raras como el neodimio o el disprosio. Estos materiales, difíciles de extraer y aún más de procesar, no solo encarecen la producción, sino que también representan un riesgo geopolítico importante. China controla el 70 % de la minería global de tierras raras y el 90 % de su refinamiento, lo que deja a gran parte del mundo industrializado en una posición vulnerable.
¿Es posible romper esa dependencia? Sí, pero hasta ahora encontrar una alternativa viable había sido tan complejo como buscar una aguja en un pajar. Eso cambió cuando la inteligencia artificial entró en escena.
MagNex: el imán sin tierras raras que desafía lo establecido
La empresa británica Materials Nexus ha desarrollado un nuevo imán industrial, llamado MagNex, utilizando una plataforma de inteligencia artificial capaz de analizar más de 100 millones de combinaciones de materiales. El resultado es un material magnético libre de tierras raras, con un rendimiento competitivo y, lo más sorprendente, creado en un tiempo récord: tres meses, frente a los varios años que este tipo de investigación suele requerir.
El logro no es solo científico, sino también económico y ambiental:
200 veces más rápido que los métodos tradicionales.
Un 80 % más barato de fabricar.
70 % menos emisiones de carbono durante su producción.
Estas cifras transforman MagNex no solo en una solución técnica, sino en una oportunidad estratégica para reducir la dependencia de materiales críticos.
¿Por qué es tan difícil reemplazar las tierras raras?
Los imanes permanentes de alto rendimiento requieren una combinación muy específica de propiedades físicas: alta densidad de flujo magnético, resistencia térmica, durabilidad y estabilidad química. Las tierras raras cumplen perfectamente con estas características, lo que ha hecho que sean insustituibles durante décadas.
La búsqueda de alternativas ha sido como intentar reemplazar la levadura en una receta de pan: hay sustitutos, pero lograr el mismo volumen, textura y sabor requiere una ingeniería precisa. Por eso, el proceso tradicional se basaba en largas pruebas de laboratorio, un costoso ensayo-error que rara vez conducía a resultados útiles.
La inteligencia artificial cambió eso.
Cómo la IA aceleró el descubrimiento de MagNex
Materials Nexus utilizó una plataforma de IA diseñada para evaluar múltiples variables simultáneamente: rendimiento magnético, coste de los materiales, impacto ambiental, y viabilidad de la cadena de suministro. No se trató simplemente de encontrar un material que “funcionara”, sino de equilibrar decenas de factores clave que afectan la escalabilidad industrial.
Esta IA no es un generador aleatorio de fórmulas: aprende de millones de combinaciones previas, predice propiedades físicas, y elimina opciones no viables antes de pasar a la fase experimental. En colaboración con el Henry Royce Institute de la Universidad de Sheffield, la empresa fabricó y probó MagNex con éxito.
Lo que normalmente llevaría cinco años, se logró en menos de un trimestre.
¿Qué implica esto para la industria de los vehículos eléctricos?
Uno de los principales cuellos de botella en la producción de vehículos eléctricos (EVs) es la obtención de materiales estratégicos. El litio, el cobalto y las tierras raras dominan los titulares, y los imanes son componentes fundamentales para los motores eléctricos. Si MagNex logra escalar su producción industrial, las marcas de coches eléctricos podrían reducir costes significativamente, lo que incluso podría reflejarse en el precio final para el consumidor.
Además, al no depender de minerales controlados por un único país, se reduce la exposición a conflictos comerciales o bloqueos logísticos. La diversificación en la cadena de suministro no solo es deseable, sino urgente.
El potencial de la IA más allá de los imanes
Lo fascinante de este avance no es solo el resultado final —MagNex—, sino el proceso. Se trata de una validación concreta del uso de IA aplicada a la ciencia de materiales, algo que hasta hace poco era terreno de especulación.
Ya lo estamos viendo en otros campos: plataformas de IA que redescubren fármacos existentes para nuevas enfermedades, algoritmos que optimizan paneles solares, e incluso IA que proponen catalizadores para la producción de hidrógeno verde.
En palabras del CEO de Materials Nexus, Dr. Jonathan Bean:
“Estamos presenciando un punto de inflexión en el diseño de materiales. No se trata solo de imanes. Esta tecnología puede aplicarse a semiconductores, recubrimientos, catalizadores… a cualquier industria que dependa de la química de materiales”.
La IA no sustituye al científico, pero sí lo potencia. Es como contar con un asistente incansable que puede probar millones de ideas en segundos, algo impensable hace apenas una década.
¿Veremos pronto MagNex en productos comerciales?
Por ahora, la fórmula exacta de MagNex es confidencial. Tampoco se han anunciado acuerdos con fabricantes específicos, aunque es razonable suponer que muchas empresas ya están interesadas. La presión por reducir costes, mejorar la sostenibilidad y garantizar el suministro de materiales estratégicos convierte a este descubrimiento en un candidato ideal para una adopción rápida.
Mientras tanto, es previsible que otros laboratorios empiecen a utilizar enfoques similares, creando una nueva carrera científica: no por el primer imán, sino por el mejor algoritmo.
¿Qué sigue?
Estamos viviendo el inicio de una nueva era en la ciencia de materiales, en la que la inteligencia artificial actúa como catalizador del progreso industrial. Aún quedan muchas preguntas abiertas: ¿cómo se comportará MagNex tras millones de ciclos? ¿Será viable para motores de alto rendimiento? ¿Qué impacto tendrá en el reciclaje de componentes electrónicos?
Lo que está claro es que esta innovación marca un antes y un después. Y no por lo que reemplaza, sino por cómo se ha conseguido. Si la historia de MagNex nos enseña algo, es que los próximos materiales que cambiarán el mundo tal vez no se descubran en un laboratorio… sino en un modelo de IA entrenado para pensar como un científico.