⏱️ Lectura: 13 min
CuspAI encendió esta semana su AI Materials Foundry, una red que promete conectar modelos generativos, cómputo de simulación y manufactura para que un material diseñado por inteligencia artificial deje de quedarse atrapado en una base de datos y llegue a un laboratorio real.
📑 En este artículo
La noticia, reportada por Las Vegas Sun, llega en un momento en que laboratorios como DeepMind, Microsoft Research y Meta ya publicaron modelos y datasets masivos para acelerar el diseño de materiales. La pregunta que responde este artículo es qué cambia realmente cuando, en lugar de un modelo aislado, se lanza una red completa de partners.
TL;DR
- CuspAI lanzó AI Materials Foundry, una red global para acelerar el diseño de materiales con IA.
- La red conecta investigación, cómputo y manufactura para validar materiales candidatos generados por IA.
- En 2023, GNoME de DeepMind predijo 2,2 millones de estructuras cristalinas nuevas; 380.000 resultaron estables.
- Microsoft presentó MatterGen, un modelo generativo que diseña materiales desde cero en vez de solo cribarlos.
- Meta liberó el dataset OMat24 con más de 100 millones de cálculos DFT para entrenar modelos de materiales.
- El cuello de botella sigue siendo la síntesis y validación física en laboratorio, no la generación de candidatos.
- Con Materials Project, ASE y MACE-MP cualquier developer puede probar hoy el cribado de candidatos.
Qué pasó: CuspAI lanza AI Materials Foundry
CuspAI, una startup enfocada en inteligencia artificial generativa aplicada al descubrimiento de materiales, anunció el lanzamiento de AI Materials Foundry: según describe el reporte de Las Vegas Sun, se trata de una red global diseñada para acelerar el paso de un material candidato generado por IA a un material validado y fabricable.
La propuesta central no es un modelo nuevo de IA, sino una infraestructura de colaboración: conectar a quienes generan candidatos con quienes tienen la capacidad de cómputo para cribarlos y con quienes pueden sintetizarlos y medirlos en un laboratorio físico. Esa cadena (generar, cribar, validar, fabricar) es históricamente el cuello de botella de la ciencia de materiales.
CuspAI compite en un espacio donde también participan laboratorios corporativos con muchos más recursos, así que la red de partners es, en la práctica, su forma de igualar la capacidad de cómputo y de laboratorio sin construir cada pieza internamente.
Contexto e historia
El descubrimiento de materiales nuevos (una aleación más liviana, un electrolito sólido para baterías, un catalizador para capturar carbono) tradicionalmente combinó intuición química con años de prueba y error en laboratorio. La simulación cuántica, en particular la teoría del funcional de la densidad (DFT), permitió calcular la estabilidad de una estructura sin sintetizarla, pero a un costo computacional alto por cada candidato.
El salto reciente vino de la mano del aprendizaje profundo. En 2023, DeepMind publicó en Nature su sistema GNoME (Graph Networks for Materials Exploration), que predijo 2,2 millones de estructuras cristalinas nuevas, de las cuales cerca de 380.000 se consideraron lo bastante estables como para ser candidatas reales de síntesis. Fue un salto de escala: antes de GNoME, la comunidad de materiales conocía alrededor de 48.000 estructuras estables tras décadas de trabajo experimental y computacional acumulado.
Microsoft Research fue un paso más allá con MatterGen, un modelo de difusión que no se limita a evaluar estructuras existentes: genera composiciones y estructuras cristalinas nuevas directamente, condicionadas a propiedades deseadas, como baja toxicidad o una banda prohibida específica. El blog de Microsoft Research lo describe como una inversión del proceso tradicional: en vez de buscar en una base de datos, el modelo diseña desde cero.
Meta, por su parte, liberó en 2024 el dataset OMat24 (Open Materials 2024), con más de 100 millones de cálculos DFT abiertos para entrenar modelos de potenciales de materiales, disponible a través de Meta AI. Ese volumen de datos abiertos es, en buena medida, lo que hizo posible que compañías más pequeñas como CuspAI entrenen y afinen sus propios modelos sin repetir desde cero el trabajo de cómputo más costoso.
Este tipo de esfuerzo no nace de la nada: en 2011, Estados Unidos lanzó la Materials Genome Initiative, un programa gubernamental que impulsó combinar datos abiertos, simulación computacional y experimentación para acortar el tiempo que toma llevar un material nuevo del laboratorio al mercado. Los modelos generativos de la década de 2020 son, en buena medida, la maduración de esa misma idea con herramientas de aprendizaje profundo que en 2011 todavía no existían a esa escala.
Detalles técnicos y rendimiento
Un pipeline típico de descubrimiento de materiales asistido por IA tiene cuatro etapas, y la propuesta de CuspAI es explícitamente organizarlas como una red en vez de dejarlas dispersas entre equipos que no se comunican entre sí.
Primero, un modelo generativo propone estructuras candidatas: composición química y arreglo cristalino. Segundo, un potencial de aprendizaje automático (modelos como MACE-MP o M3GNet) aproxima la energía de esa estructura en milisegundos, sin resolver la ecuación de Schrödinger de cada átomo. Tercero, los candidatos que sobreviven ese primer filtro pasan a validación con DFT, mucho más precisa pero también mucho más lenta. Cuarto, solo los candidatos que superan ambos filtros llegan a síntesis en laboratorio, donde finalmente se mide si el material real se comporta como predijo el modelo.
flowchart TD
A["Datos y literatura científica"] --> B["Modelo generativo de IA"]
B --> C["Cribado con potenciales ML"]
C --> D["Validación DFT"]
D --> E["Síntesis en laboratorio"]
E --> F["Material validado"]
subgraph AIMF["AI Materials Foundry"]
B
C
D
endLa forma de verificar si un candidato vale la pena sintetizar es una métrica concreta de la física del estado sólido: la distancia al convex hull de energías de formación, expresada en electronvolt por átomo (eV/átomo). Cuanto más cerca de cero, más estable es termodinámicamente la estructura frente a otras combinaciones posibles de los mismos elementos. Bases de datos como Materials Project exponen ese valor directamente por cada estructura calculada, y es el filtro que cualquier equipo, dentro o fuera de una red como la de CuspAI, usa antes de gastar tiempo de laboratorio en un candidato.
| Enfoque | Cómo funciona | Ventaja | Limitación |
|---|---|---|---|
| Síntesis experimental tradicional | Prueba y error en laboratorio, caracterización física directa | Resultado verificado físicamente desde el inicio | Lento y costoso por cada candidato |
| Simulación DFT | Cálculo cuántico de la energía y estabilidad de una estructura propuesta | Precisión física sin sintetizar nada | Cara computacionalmente para explorar miles de candidatos |
| Potenciales ML (MACE, M3GNet) | Aproximan la energía de DFT entrenando con datos previos | Órdenes de magnitud más rápidos que DFT | Pueden errar en estructuras muy distintas a su set de entrenamiento |
| Modelos generativos (GNoME, MatterGen, red de CuspAI) | Proponen estructuras nuevas en vez de solo evaluar las existentes | Amplían el espacio de búsqueda más allá de bases de datos conocidas | Requieren validación DFT y de laboratorio antes de confiar en el resultado |
Cómo empezar a probarlo
No hace falta ser parte de la red de CuspAI para experimentar con esta misma cadena de herramientas: buena parte del stack de descubrimiento de materiales asistido por IA es abierto.
Para calcular la energía de una estructura con un potencial ML preentrenado, sin instalar un código de DFT completo, alcanza con:
pip install ase mace-torchfrom ase.build import bulk
from mace.calculators import mace_mp
celda = bulk("Si", "diamond", a=5.43)
celda.calc = mace_mp(model="medium", device="cpu")
print(celda.get_potential_energy())Este script construye una celda cristalina de silicio en su fase diamante, le asigna el potencial preentrenado MACE-MP y calcula su energía potencial en segundos, sin ejecutar una sola iteración de DFT. Es el mismo tipo de cribado rápido que usan los pipelines de descubrimiento a gran escala, solo que corriendo en una laptop.
Para buscar candidatos ya calculados y filtrados por estabilidad, la API de Materials Project permite consultas directas:
from mp_api.client import MPRester
with MPRester("TU_API_KEY") as mpr:
candidatos = mpr.materials.summary.search(
elements=["Li", "Fe", "O"],
energy_above_hull=(0, 0.03),
fields=["material_id", "formula_pretty", "energy_above_hull"]
)
for material in candidatos[:5]:
print(material.material_id, material.formula_pretty, material.energy_above_hull)La consulta busca compuestos de litio, hierro y oxígeno, una familia típica de cátodos de batería, con una distancia al hull menor a 0,03 eV por átomo, un umbral habitual para considerar un material termodinámicamente cercano a la estabilidad. El resultado es una lista corta de candidatos reales, con su identificador en la base de datos, listos para revisar antes de pensar en síntesis.
💡 Tip: la API de Materials Project requiere una clave gratuita, que se obtiene registrándose en materialsproject.org; sin clave, las consultas fallan con un error de autenticación.
Impacto y análisis
El argumento de fondo detrás de AI Materials Foundry es que generar candidatos ya dejó de ser el problema principal. Modelos como GNoME y MatterGen demostraron que proponer millones de estructuras es factible; lo que sigue siendo escaso es la capacidad de laboratorio para sintetizar y caracterizar esos candidatos a la misma velocidad. Conectar a varios socios en una red busca repartir ese cuello de botella entre más instalaciones en paralelo, en lugar de que cada compañía compita por construir su propio laboratorio desde cero.
Los campos donde más se cita esta clase de aceleración son baterías de próxima generación, materiales para captura de carbono y semiconductores, tres áreas donde un ciclo de prueba y error más corto tiene impacto directo en costos de investigación y desarrollo.
La apuesta por una red, en lugar de un modelo cerrado, también es una apuesta de negocio: si CuspAI logra que varios fabricantes y laboratorios usen la misma capa de IA para evaluar candidatos, cada síntesis exitosa que ocurra dentro de esa red retroalimenta al modelo con datos experimentales reales, algo que ningún dataset público como OMat24 puede ofrecer por sí solo, porque no captura los fallos y ajustes que solo aparecen en un laboratorio activo.
⚠️ Ojo: que un modelo generativo prediga una estructura estable no garantiza que sea sintetizable con métodos de laboratorio actuales; la tasa real de candidatos que sobreviven de la predicción a la síntesis exitosa sigue siendo el dato que ninguna demo muestra.
Ese es el límite honesto de todo este enfoque: un modelo generativo puede alucinar estructuras que son estables en el papel pero irreproducibles en la práctica, ya sea porque requieren condiciones de síntesis extremas o porque el potencial ML que las evaluó se equivocó fuera de su rango de entrenamiento. Ninguna red de partners elimina ese riesgo; en el mejor de los casos lo detecta más rápido, porque hay más manos validando en paralelo.
Qué sigue
Lo que falta ver es si CuspAI publica resultados verificables (materiales sintetizados y caracterizados, no solo predichos) que hayan salido específicamente de esta red, y si laboratorios independientes confirman esos hallazgos, tal como ocurrió cuando equipos externos replicaron y cuestionaron una fracción de las estructuras de GNoME. La validación por terceros, más que el anuncio de lanzamiento, es lo que va a determinar si AI Materials Foundry acelera la ciencia de materiales o solo acelera el marketing alrededor de ella.
📖 Resumen en Telegram: Ver resumen
Probalo vos: instalá ase y mace-torch con pip y corré el script de arriba para calcular tu primera energía de estructura cristalina hoy mismo, sin esperar a que la Foundry de CuspAI abra acceso público.
Preguntas frecuentes
¿Qué es CuspAI?
Es una startup enfocada en inteligencia artificial generativa aplicada al descubrimiento de materiales, que compite en un espacio donde también participan grandes laboratorios corporativos como DeepMind y Microsoft Research.
¿Qué es exactamente AI Materials Foundry?
Según el anuncio recogido por Las Vegas Sun, es una red global que conecta investigación, cómputo y manufactura para llevar materiales candidatos generados por IA hasta una validación real, no solo un modelo o dataset aislado.
¿En qué se diferencia de GNoME o MatterGen?
GNoME y MatterGen son un sistema y un modelo puntuales para predecir o generar estructuras. La Foundry, tal como se describe, es una capa de colaboración entre distintos partners que usa ese tipo de modelos como una pieza más de la cadena, no como el producto final.
¿Puedo experimentar con estas herramientas sin ser investigador de materiales?
Sí. Con una clave gratuita de Materials Project y las librerías abiertas ASE y MACE-MP alcanza para calcular energías de estructuras y consultar candidatos ya filtrados por estabilidad, como muestran los ejemplos de este artículo.
¿La IA reemplaza la síntesis en laboratorio?
No. Reduce cuántos candidatos hay que sintetizar y en qué orden probarlos, pero la fabricación y caracterización física del material sigue haciéndose en un laboratorio real, y sigue siendo el paso más lento de toda la cadena.
¿Dónde se espera el primer impacto práctico?
Los campos citados con más frecuencia en la industria son baterías de próxima generación, materiales para captura de carbono y semiconductores, todas áreas donde acortar el ciclo de prueba y error reduce directamente el costo de investigación y desarrollo.
Referencias
- Las Vegas Sun: anuncio original del lanzamiento de AI Materials Foundry por CuspAI.
- DeepMind: blog oficial sobre GNoME y el descubrimiento de 2,2 millones de estructuras cristalinas.
- Microsoft Research: anuncio de MatterGen, el modelo generativo de diseño de materiales.
- Meta AI: página oficial del laboratorio que liberó el dataset abierto OMat24.
- Materials Project: base de datos y API abierta de estructuras y propiedades de materiales.
- ASE (Atomic Simulation Environment): documentación oficial de la librería usada en los ejemplos de código.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Imagen destacada: Foto de Vitaly Gariev en Unsplash
0 Comentarios