En ciencia de materiales se ha avanzado mucho en imaginar estructuras con propiedades deseables, pero imaginar no equivale a fabricar. En los últimos años, distintos modelos de IA generativa han producido bibliotecas enormes de materiales “candidatos” con promesas tentadoras: alta estabilidad térmica, absorción selectiva de gases o comportamientos útiles para energía, catálisis o separación. El problema llega cuando toca pasar de la pantalla al laboratorio. Si el material es el “pastel” que quieres comer, la síntesis es el momento de encender el horno, elegir ingredientes, temperaturas y tiempos… y ahí es donde se atasca la historia.
La síntesis rara vez se parece a una receta fija de cocina. Pequeñas variaciones en temperatura, duración del proceso, proporciones de precursores o condiciones de reacción pueden cambiar por completo la morfología final y, con ella, el rendimiento. Ese espacio de posibilidades se vuelve tan grande que los investigadores terminan haciendo lo que haría cualquiera ante un mapa enorme sin GPS: usar experiencia, intuición y prueba y error.
Por qué la intuición humana se queda corta en “espacios” con muchas variables
Cuando hay pocos parámetros, un enfoque metódico funciona: mantienes casi todo constante y cambias una cosa cada vez. El inconveniente es que los sistemas reales no suelen ser tan “lineales”. Con cinco, diez o más variables relevantes, la combinación de opciones crece como un armario que se desborda: cada prenda nueva hace más difícil encontrar el conjunto perfecto.
El equipo de MIT plantea el dilema de forma muy directa: las personas tendemos a explorar de manera ordenada, paso a paso, mientras que una máquina puede razonar mejor en un espacio de alta dimensión, detectando patrones entre miles de combinaciones. Eso importa porque, en la práctica, el tramo que más tiempo consume entre una hipótesis y un uso real suele ser la síntesis de materiales: semanas o meses de experimentos cuidadosamente controlados.
DiffSyn: una “máquina de sugerir rutas” para fabricar materiales
La propuesta de MIT se llama DiffSyn, y su objetivo es guiar a científicos hacia rutas de síntesis prometedoras. No se limita a decir “este material existe” o “esta estructura sería útil”; intenta responder a la pregunta incómoda: “¿cómo lo preparo en el laboratorio?”.
Para entrenarlo, el equipo utilizó más de 23.000 recetas de síntesis extraídas de unos 50 años de literatura científica. Ese detalle es importante: no se apoya solo en teoría computacional, sino en descripciones de procedimientos que han circulado por la comunidad durante décadas. La investigación se presenta en Nature Computational Science, y la divulgación del trabajo la publicó MIT News, con Elton Pan como autor principal del estudio descrito y con participación de investigadores de varias áreas, incluida ingeniería química y ciencia de materiales.
Qué tiene de “difusión” y por qué se parece más a DALL·E que a ChatGPT
DiffSyn usa un enfoque conocido como modelo de difusión. Una manera cotidiana de imaginarlo es pensar en una foto borrosa que poco a poco se enfoca. En el entrenamiento, el sistema aprende a “ensuciar” las recetas con ruido aleatorio y, después, a reconstruirlas retirando ese ruido paso a paso. En la fase de uso, hace el camino inverso: parte de ruido y lo transforma en una estructura con sentido, que aquí no es una imagen ni un texto, sino una ruta de síntesis.
Cuando un científico introduce la estructura objetivo de un material, DiffSyn devuelve combinaciones plausibles de condiciones: temperaturas de reacción, tiempos, ratios de precursores y otros parámetros experimentales. La metáfora del pastel funciona bien: sabes qué pastel quieres servir, y el modelo te propone varias formas de hornearlo.
Zeolitas: el banco de pruebas perfecto por lo difícil que es el reto
Para evaluar DiffSyn, el equipo lo aplicó a un grupo de materiales especialmente exigente: las zeolitas. Son estructuras microporosas usadas en catálisis, adsorción e intercambio iónico, y su síntesis no solo tiene muchas variables, sino que suele requerir días o semanas hasta cristalizar. Dicho de otra forma: si aciertas antes con la ruta adecuada, el ahorro de tiempo y recursos puede ser enorme.
Con las rutas sugeridas por DiffSyn, los investigadores lograron sintetizar una nueva zeolita y comprobaron que presentaba una estabilidad térmica mejorada. También observaron una morfología prometedora para aplicaciones catalíticas. El valor práctico aquí no es solo “la IA predijo bien”, sino que se materializó en un experimento real con resultado medible.
De una receta única a muchas rutas posibles: lo que cambia en el enfoque
Un punto clave del trabajo es que DiffSyn no intenta mapear “material → una sola receta”. La química experimental rara vez ofrece una única manera correcta de llegar al producto final. Hay rutas alternativas, variaciones aceptables y caminos que dependen del equipamiento o de la disponibilidad de reactivos. Por eso, el modelo se entrena para un mapeo “uno a muchos”: una estructura puede corresponder a varias rutas de síntesis plausibles.
Esa idea encaja mejor con la realidad de laboratorio. También ayuda a explicar por qué los autores reportan mejoras frente a enfoques anteriores que reducían el problema a una predicción única. En la práctica, recibir varias rutas es como tener varias carreteras para llegar al mismo destino: una puede ser más corta, otra más segura, otra más fácil si hay obras en el camino.
Velocidad de exploración: cuando “probar 1.000 opciones” deja de ser una fantasía
Hay una frase que resume el impacto: lo que un investigador haría “uno a uno” probando recetas, el modelo puede muestrear en grandes cantidades en muy poco tiempo. Esto no significa que el laboratorio desaparezca ni que todo vaya a funcionar a la primera, pero sí cambia el punto de partida. En lugar de comenzar con suposiciones y tanteos, el investigador comienza con “buenas primeras apuestas”.
Para quien no trabaja en síntesis, la comparación más simple es esta: si quieres ajustar el punto exacto de tostado de una rebanada, hacerlo por intuición puede llevarte a quemar varias. Si una herramienta te propone tres configuraciones razonables en función de miles de tostadas anteriores, tu margen de error baja y tu aprendizaje se acelera.
Qué falta para llevarlo más lejos: datos y automatización experimental
Los autores creen que el enfoque podría extenderse a otras clases de materiales con múltiples rutas de síntesis, como metal-organic frameworks e inorgánicos sólidos. El obstáculo principal no es tanto la técnica de difusión, sino la disponibilidad de datos de alta calidad en otras familias de materiales. Las zeolitas, por su complejidad, sirven como prueba exigente: si funciona ahí, hay razones para pensar que puede funcionar en otros dominios con la base de datos adecuada.
También aparece una dirección atractiva: conectar estos sistemas con experimentación autónoma y ciclos de retroalimentación. La visión es un laboratorio que no solo recibe sugerencias, sino que ejecuta, mide resultados y ajusta el rumbo, como un cocinero que prueba la masa, corrige la sal y vuelve a hornear con más precisión en cada intento.
Quién lo financia y por qué importa
El trabajo contó con apoyo de entidades como la National Science Foundation, la Office of Naval Research, ExxonMobil, iniciativas internas de MIT y organismos públicos de la Comunitat Valenciana, entre otros. Esta mezcla de financiación académica, pública e industrial suele indicar que el problema interesa tanto por curiosidad científica como por impacto en procesos reales.
Si la síntesis deja de ser el gran freno, la cadena completa de descubrimiento puede acortarse: de imaginar materiales prometedores a validarlos y escalarlos con menos vueltas perdidas. No es magia; es una manera de reducir el coste del ensayo y error guiándolo con patrones aprendidos de décadas de conocimiento experimental.