Durante décadas, los científicos estudiaron los catalizadores dentro de sus propias familias, como si cada grupo hablara un idioma que los demás no podían descifrar. Óxidos con óxidos, metales con metales: una división que produjo avances reales, pero que también dejó sin explorar las zonas de contacto entre esos mundos separados.
Un equipo del Instituto de Ciencias Básicas de Corea del Sur decidió cruzar esas fronteras con ayuda de una inteligencia artificial. Los resultados acaban de publicarse en Nature Materials.
El cuello de botella que frena al hidrógeno verde
La electrólisis del agua es el proceso central para producir hidrógeno verde sin emitir carbono directamente. Una corriente eléctrica separa las moléculas de agua en hidrógeno y oxígeno. El principio es sencillo. La realidad, bastante más complicada.
El principal obstáculo se llama reacción de evolución de oxígeno, conocida como OER. Es la etapa más lenta y la que consume más energía dentro del proceso. Un catalizador más eficiente para esta reacción reduciría directamente el coste de producir hidrógeno verde.
El espacio de búsqueda resulta casi inabarcable. Cada combinación de elementos químicos, estructuras cristalinas y configuraciones superficiales abre nuevas posibilidades. A medida que aumentan las variables, explorar ese territorio mediante ensayo y error se parece cada vez más a buscar una aguja en un pajar que no deja de crecer.
Una IA que aprendió dos ‘idiomas’ químicos a la vez
Para afrontar ese desafío, el equipo desarrolló la Crossbreeding Neural Network, o CBNN. La red neuronal aprendió simultáneamente de dos familias de catalizadores investigadas hasta ahora por caminos separados: los catalizadores monoatómicos soportados sobre carbono y los óxidos de tipo perovskita.
Cada familia aporta información distinta. Los catalizadores monoatómicos describen cómo se comportan los átomos individuales sobre una superficie activa; las perovskitas revelan cómo la estructura cristalina interna influye sobre el rendimiento. La CBNN no trató esos dos cuerpos de conocimiento como compartimentos aislados, sino que los integró de forma concurrente.
El sistema tampoco procesó toda la información del mismo modo. La disposición superficial de los átomos se interpretó visualmente, mientras que la estructura interna de la perovskita se representó mediante grafos matemáticos. Es como aprender a mirar una parte del material y razonar sobre la otra al mismo tiempo. En cierto momento deja de memorizarse vocabulario por separado y se empieza a comprender una gramática más profunda.
El hallazgo inesperado: predecir lo que nunca había visto
Aquí aparece lo que distingue este trabajo de otros estudios sobre IA aplicada a la química. La CBNN predijo el comportamiento de una clase de materiales que nunca había procesado durante su entrenamiento. No interpoló entre ejemplos conocidos: extrapoló hacia un territorio completamente nuevo.
El equipo fabricó una arquitectura híbrida que combinaba elementos de ambos mundos: átomos metálicos individuales anclados sobre la superficie de partículas de perovskita, una configuración que ninguna de las dos familias originales incluía.
La prueba fue contundente. La IA ordenó correctamente el rendimiento de los 12 catalizadores experimentales fabricados dentro de ese grupo inédito. Muchos algoritmos funcionan bien dentro de los límites de sus datos de entrenamiento; este fue más allá y emitió juicios útiles sobre materiales que nunca había visto. Eso lo acerca a un tipo de aprendizaje más general que el habitual en este campo.
8.008 candidatos y un ganador multimetálico
Con la estrategia validada, el equipo amplió la búsqueda. La IA examinó 8.008 candidatos y seleccionó la combinación más prometedora para la OER: tungsteno, molibdeno, rutenio y rodio anclados sobre una perovskita denominada CPCF.
Lo decisivo no es la fórmula, sino la lógica detrás de ella. El algoritmo identificó una configuración multimetálica que los métodos convencionales difícilmente habrían detectado, porque cada metal añadido multiplica exponencialmente las posibles interacciones y explorar ese espacio mediante ensayo y error se vuelve rápidamente impracticable.
Los investigadores no se quedaron en la pantalla. Sintetizaron el catalizador en el laboratorio y confirmaron experimentalmente su rendimiento: el material superó a las perovskitas estudiadas previamente, a los catalizadores monoatómicos sobre carbono y a todas las estructuras monometálicas del estudio. La predicción computacional se convirtió en evidencia experimental.
Más allá del hidrógeno: un método para cruzar fronteras científicas
El alcance del trabajo va más allá de la producción de hidrógeno. Mediante inteligencia artificial explicable, los investigadores identificaron qué propiedades químicas influyen más sobre la actividad catalítica en ambas familias: el estado de oxidación, la electronegatividad, el radio iónico y los electrones d de valencia.
Para afinar las predicciones, el equipo desarrolló un mecanismo automático de selección de descriptores que combinó análisis estadístico y procesamiento del lenguaje natural. Entre cientos de variables posibles, la IA identificó por sí sola cuáles eran las más relevantes.
Los autores proponen extender este marco al diseño de baterías, sistemas de almacenamiento energético e incluso al descubrimiento de fármacos —campos donde existen grandes volúmenes de datos dispersos entre comunidades que rara vez comparten modelos—. La lección más duradera del estudio puede ser esta: algunas de las configuraciones más prometedoras emergen precisamente donde las divisiones tradicionales entre disciplinas dejan de funcionar como fronteras. Si la IA aprendió a cruzarlas en la química de catalizadores, el siguiente paso será ver hasta dónde puede llegar ese mismo método en otros territorios científicos todavía sin explorar juntos.