Pocas cosas son tan cotidianas y tan poco visibles como los materiales magnéticos. Están en el altavoz del móvil, en motores, en sensores de un coche, en equipos médicos y en generadores. Funcionan como ese “enganche” fiable de una puerta de nevera: no pensamos en él hasta que falla. En tecnología, cuando un imán pierde fuerza con el calor, el resultado se traduce en motores menos eficientes, equipos más voluminosos o sistemas que requieren refrigeración extra.
Por eso la noticia que ha compartido SciTechDaily, a partir de trabajo de la University of New Hampshire (UNH), llama la atención: un equipo ha usado inteligencia artificial para escanear décadas de papers y construir una base de datos con 67.573 materiales magnéticos. Dentro de esa colección aparecen 25 compuestos que no estaban catalogados como tales y que mantienen propiedades magnéticas a temperaturas elevadas, un punto crítico para usos reales. La investigación se publicó en Nature Communications y presenta el recurso como “Northeast Materials Database” (NEMAD).
El cuello de botella: saber que existen, encontrarlos es otra historia
En ciencia de materiales hay una frustración recurrente: se sabe que “hay mucho ahí fuera”, pero localizar lo útil se vuelve lento y caro. Con los imanes permanentes ocurre de forma especialmente aguda. Los más potentes dependen de tierras raras, elementos que pueden ser costosos, con cadenas de suministro tensas y, en muchos países, muy importadas. Esto afecta a sectores enteros: vehículos eléctricos, eólica, electrónica de consumo o industria. SciTechDaily resume el problema con una idea clara: existen muchísimos compuestos magnéticos, pero ninguno ha logrado sustituir de manera amplia a los imanes basados en tierras raras en aplicaciones masivas.
Es como buscar una receta concreta en una biblioteca inmensa sin catálogo moderno. Puedes tener los libros, incluso saber que la receta existe, pero si cada búsqueda te exige leer tomo por tomo, acabas cocinando siempre lo mismo. Ese es el “atasco” que NEMAD intenta reducir.
Enseñar a una IA a leer papers como lo haría un investigador
La propuesta del equipo de UNH combina dos ideas: usar un modelo de lenguaje moderno como “lector” y después aplicar modelos computacionales para estimar propiedades relevantes. En la práctica, el sistema extrae de artículos científicos datos experimentales clave —composición, estructura, temperaturas de transición, medidas magnéticas— y los convierte en entradas normalizadas. Con ese material, se alimentan modelos que ayudan a clasificar si un compuesto es magnético y a estimar hasta qué temperatura conserva su comportamiento antes de “desmagnetizarse” en términos funcionales.
La imagen mental útil es la de una persona que hace fichas. Un investigador humano puede leer, interpretar y apuntar resultados, pero es un proceso artesanal. La inteligencia artificial actúa como un equipo de documentalistas que trabaja sin pausa: localiza la información, la estructura y la deja lista para filtrar y comparar.
Qué aporta una base de datos “buscable” a la investigación magnética
Una base de datos con decenas de miles de entradas cambia el punto de partida. En vez de comenzar con conjeturas y ensayos limitados, un grupo puede preguntar: “¿Qué compuestos reportan magnetismo por encima de cierta temperatura? ¿Cuáles tienen elementos abundantes? ¿Qué familias cristalinas aparecen con más frecuencia?”. Ese tipo de preguntas, formuladas como búsqueda, suelen ahorrar meses de tanteo.
Según lo difundido por UNH y recogido por SciTechDaily, la base incluye 67.573 materiales magnéticos y destaca 25 compuestos “previamente desconocidos” que conservan magnetismo a alta temperatura. Ese “alta temperatura” no es un capricho: en motores y generadores el calor aparece siempre, como en una cocina donde el horno nunca se apaga. Si el material necesita mantenerse frío para funcionar, la ingeniería se complica y el coste sube.
Temperatura de Curie: cuando el imán “se rinde” con el calor
Para aterrizar el concepto: muchos materiales presentan un umbral a partir del cual su orden magnético desaparece o cambia. En ferromagnetismo, se habla de temperatura de Curie; en antiferromagnetismo, de temperatura de Néel. No hace falta memorizar nombres para entender el fenómeno: es como una coreografía. A baja temperatura, los “bailarines” (los momentos magnéticos) se mueven coordinados; cuando el calor sube, el baile se desordena y el efecto macroscópico se diluye.
Que la base de datos incorpore temperaturas de transición y ayude a estimarlas es esencial para pasar del hallazgo a la aplicación. Un material puede ser magnético “en laboratorio”, pero si su comportamiento cae a temperaturas que un motor alcanza con facilidad, no servirá para un coche o un aerogenerador. La literatura sobre NEMAD en Nature Communications describe precisamente ese enfoque: crear un repositorio experimental rico y usar modelos de aprendizaje automático para clasificar y predecir temperaturas de transición.
Menos dependencia de tierras raras: promesa, no garantía
Un punto delicado es cómo traducir una base de datos en un imán comercial. Reducir dependencia de tierras raras es un objetivo deseable, pero el camino no es lineal. Un candidato prometedor debe ser sintetizable de forma reproducible, estable, escalable, seguro, compatible con procesos industriales y competitivo en coste. La base de datos ayuda a acotar, no sustituye el trabajo experimental y de ingeniería.
Aun así, la motivación está bien definida. En la nota recogida por SciTechDaily, Suman Itani plantea que acelerar el descubrimiento de materiales magnéticos sostenibles puede reducir dependencia de tierras raras y abaratar tecnologías relacionadas con vehículos eléctricos y energías renovables, con impacto industrial. El coautor Jiadong Zang subraya que buscan alternativas sostenibles a los imanes permanentes y que el enfoque combinado de datos y AI puede volver ese objetivo más alcanzable.
Una IA útil más allá del laboratorio: digitalizar conocimiento científico
Hay un detalle interesante en el planteamiento: el equipo sugiere que el modelo de lenguaje y las técnicas usadas para “leer” literatura podrían aplicarse a tareas de modernización de fondos académicos, como convertir contenido de imágenes a texto enriquecido. En universidades y bibliotecas, buena parte del conocimiento está en formatos difíciles de reutilizar, como tablas escaneadas, PDFs antiguos o figuras con datos incrustados. Si la IA logra extraer y estructurar esa información con fiabilidad, el impacto puede sentirse también en educación e infraestructura científica, no solo en descubrimiento de materiales.
Financiación y trazabilidad científica: por qué importa
La investigación indica apoyo del Department of Energy de Estados Unidos, a través de la Office of Basic Energy Sciences, lo que encaja con el interés estratégico por materiales avanzados. En términos prácticos, esto suele implicar una exigencia mayor de trazabilidad: datos reproducibles, metodologías claras y recursos que otros grupos puedan consultar. Y ahí una base de datos pública o consultable se vuelve un “punto de encuentro” para la comunidad, algo que ayuda a comparar resultados y evitar duplicaciones.
Lo que conviene vigilar a partir de ahora
El anuncio de 25 compuestos “no identificados previamente” despierta curiosidad, pero el siguiente paso será ver cuántos se confirman experimentalmente con propiedades útiles, cuántos pueden sintetizarse sin condiciones extremas y qué rendimiento real ofrecen frente a los imanes actuales. En tecnología, el salto de “descubierto” a “fabricable” es el tramo más exigente. Aun así, disponer de un mapa amplio —67.573 entradas— cambia la dinámica: se pasa de explorar a ciegas a explorar con brújula.
Si algo deja claro este trabajo, es que el reto de los materiales magnéticos no es solo inventar; también es ordenar y hacer accesible lo ya descubierto. Cuando la literatura científica se convierte en datos consultables, la investigación se parece menos a buscar una aguja en un pajar y más a usar un buen catálogo en una biblioteca gigantesca.