Gran parte de la electrónica que usamos a diario funciona como una puerta que se abre y se cierra gracias a un “tirón” invisible. Ese tirón lo aportan los materiales magnéticos: están en altavoces, sensores, equipos médicos, generadores y, de forma muy destacada, en los motores de los vehículos eléctricos. El problema es que los imanes más potentes y compactos que hoy dominan el mercado suelen apoyarse en tierras raras como el neodimio y el disprosio, elementos valiosos, con cadenas de suministro concentradas y sujetos a tensiones geopolíticas y de precio.
Cuando la industria habla de “reducir tierras raras”, no es un capricho ecológico: es una estrategia para abaratar, asegurar disponibilidad y planificar fabricación sin sobresaltos. Encontrar alternativas, sin perder rendimiento, se parece a intentar cocinar una receta compleja sin dos ingredientes clave. Se puede, pero exige probar muchísimas combinaciones y entender bien qué aporta cada componente.
Una biblioteca con 67.573 “recetas” magnéticas
Un equipo de la University of New Hampshire ha presentado una herramienta pensada para acortar drásticamente ese proceso de prueba y error. Su trabajo describe la creación de la Northeast Materials Database, una base de datos “buscable” con 67.573 compuestos magnéticos recopilados a partir de literatura científica y datos experimentales. La idea es simple de explicar y difícil de ejecutar: reunir en un único sitio lo que está disperso en miles de artículos, con suficiente estructura como para que un investigador pueda filtrar, comparar y priorizar candidatos en minutos, no en semanas.
En lugar de mirar el problema como “vamos a descubrir un imán milagroso”, la propuesta aterriza algo más realista y útil: construir un mapa detallado de lo que ya se ha medido, normalizarlo y usarlo como motor de búsqueda para nuevas hipótesis. La base de datos actúa como una especie de catálogo de piezas: no te construye el coche, pero te permite saber qué tornillos existen, cuáles aguantan temperatura y cuáles se deforman al primer bache.
La IA como lector incansable de papers
La pieza clave, según explican en el estudio publicado en Nature Communications, es el uso de inteligencia artificial para “leer” artículos científicos y extraer datos experimentales relevantes. En la práctica, esto apunta a un enfoque híbrido: un modelo de lenguaje identifica en el texto (y en algunos casos en tablas y figuras) información sobre si un material se comporta como imán, bajo qué condiciones se midió y a qué temperatura deja de ser magnético. Ese material, convertido en datos estructurados, sirve para entrenar modelos que estiman propiedades magnéticas y su dependencia con la temperatura.
Aquí conviene imaginar a la IA como un becario con superpoderes, pero sin intuición científica propia: puede revisar miles de documentos sin cansarse y copiar números sin confundirse por aburrimiento, pero necesita que los humanos definan qué buscar, cómo validar lo extraído y cómo interpretar el resultado. El valor está en la escala: donde un equipo pequeño tardaría meses en construir un conjunto de datos coherente, este sistema lo hace mucho más rápido, con una metodología reproducible.
25 candidatos que mantienen el magnetismo a altas temperaturas
Uno de los titulares más llamativos del trabajo es la identificación de 25 materiales que, según el análisis, no habían sido reconocidos previamente como imanes capaces de mantener el magnetismo a altas temperaturas. Dicho de forma cotidiana: no sirve de mucho un imán “fuerte” si se comporta bien en el laboratorio y se “desinfla” cuando lo metes cerca de un motor caliente. Para energía renovable y movilidad eléctrica, la estabilidad térmica es un requisito práctico, no un detalle académico.
La investigadora Suman Itani, autora principal del estudio, subraya el objetivo industrial de fondo: acelerar el hallazgo de materiales sostenibles que permitan bajar costes y dependencia de importaciones de tierras raras. Jiadong Zang, coautor y profesor de física, plantea el reto como uno de los más difíciles en ciencia de materiales: sustituir imanes permanentes potentes por opciones más sostenibles sin que el rendimiento se hunda. La base de datos, en ese sentido, funciona como una “criba” inteligente que reduce el número de candidatos que merece la pena sintetizar y probar físicamente.
Qué significa perder el magnetismo y por qué importa tanto
Cuando se dice que un material “deja de ser magnético” al subir la temperatura, normalmente se está hablando de que el orden interno de sus momentos magnéticos se desorganiza. Es como una fila de personas caminando sincronizadas; si empieza el calor, el ruido y el empujón, cada una se mueve por su cuenta y la fila deja de avanzar en una sola dirección. En magnetismo, esa transición se relaciona con la temperatura de Curie, un parámetro crucial para aplicaciones reales.
Un matiz importante: un material con alta temperatura de Curie no es automáticamente un buen imán permanente para un motor. Los imanes permanentes útiles también requieren propiedades como alta coercitividad (que no se desmagnetice fácilmente), magnetización remanente y, con frecuencia, anisotropía magnética adecuada. El trabajo de la University of New Hampshire no promete que esos 25 compuestos ya puedan sustituir a los imanes de tierras raras en el mercado; lo que pone sobre la mesa es una ruta mucho más rápida para llegar a candidatos serios, con datos trazables y criterios de búsqueda claros.
Del hallazgo computacional al producto industrial
Entre detectar un candidato en una base de datos y montarlo en un coche hay varios escalones. Primero, validar experimentalmente que el material se comporta como se predice y que puede sintetizarse de forma reproducible. Luego, comprobar propiedades magnéticas más allá de “es magnético”: estabilidad a ciclos térmicos, resistencia a la corrosión, compatibilidad con procesos de fabricación y disponibilidad de materias primas. Un material magnífico en papel puede ser inviable si requiere elementos escasos, si solo se obtiene en condiciones extremas o si se degrada con el tiempo.
La ventaja de la Northeast Materials Database es que reduce el despilfarro típico de la exploración a ciegas. En ciencia de materiales se suele decir que hay millones de combinaciones posibles; intentar todas en laboratorio sería como probar todas las combinaciones de un candado girando al azar. La IA no “adivina” el código, pero sí te dice cuáles son las combinaciones más prometedoras según lo que ya se ha observado y medido en la comunidad científica.
Impacto en costes, sostenibilidad y cadena de suministro
Si esta forma de trabajo se consolida, el efecto más inmediato no sería un coche eléctrico con un motor “mágico”, sino un cambio en la economía de la investigación y el desarrollo. Menos ensayos fallidos, ciclos de diseño más cortos y mejores decisiones sobre qué sintetizar. Eso, a medio plazo, puede traducirse en alternativas que reduzcan la presión sobre tierras raras y amortigüen la volatilidad de precios, un factor que afecta tanto a fabricantes como a consumidores.
El proyecto, apoyado por la Office of Basic Energy Sciences del Departamento de Energía de EE. UU., también refleja una tendencia más amplia: usar inteligencia artificial no solo para predecir, sino para organizar el conocimiento ya publicado. En campos donde la información crece más rápido que la capacidad humana de leerla, construir “bibliotecas vivas” se vuelve tan importante como inventar nuevos modelos.
La misma tecnología que busca imanes puede rescatar archivos
Un detalle interesante del equipo es la mención de usos colaterales del modelo de lenguaje más allá de los imanes. Proponen, por ejemplo, convertir imágenes a formatos modernos de texto enriquecido para actualizar y preservar colecciones de bibliotecas. Tiene sentido: si una IA aprende a extraer datos de papers con formatos diversos, también puede ayudar a transformar documentos antiguos o escaneados en materiales accesibles y reutilizables.
Esa dualidad —investigación puntera y tareas “domésticas” de conservación del conocimiento— ilustra bien por qué la IA está ganando espacio en la ciencia. A veces no se trata de sustituir al investigador, sino de quitarle de encima el trabajo mecánico de clasificar, transcribir y ordenar, para que el tiempo humano se invierta donde más valor aporta: formular preguntas, diseñar experimentos y entender qué significa realmente un resultado.