La inteligencia artificial es una herramienta poderosa para los investigadores, pero con una limitación significativa: su incapacidad para explicar cómo llegó a sus conclusiones, un problema conocido como la “caja negra de la IA”. Al combinar la IA con la síntesis química automatizada y la validación experimental, un equipo interdisciplinario de investigadores de la Universidad de Illinois en Urbana-Champaign abrió la caja negra para descubrir los principios químicos en los que se basó la IA para mejorar las moléculas para la recolección de energía solar.
El resultado hizo que las moléculas captadoras de luz fueran cuatro veces más estables que el punto de partida, así como nuevos conocimientos importantes para estabilizarlas, una cuestión química que ha bloqueado el desarrollo de materiales.
El equipo interdisciplinario de investigadores de la U. en colaboración con la Universidad de Química de Toronto. Of I estuvo codirigido por el profesor de química Martin Burke, el profesor de ingeniería química y biomolecular Ying Diao, el profesor de química Nicholas Jackson y el profesor de ciencia e ingeniería de materiales Charles Schroeder. Profesor Alan Aspuru-Guzic. Publicaron sus hallazgos en la revista Nature.
“Las nuevas herramientas de IA tienen capacidades increíbles. Pero si intentas abrir el capó y tratar de descubrir qué están haciendo, generalmente eres bastante inútil”, dijo Jackson. “Para la química, esto puede ser muy frustrante. La IA puede ayudarnos a optimizar una molécula, pero no puede decirnos por qué es óptima: ¿cuáles son las propiedades, estructuras y funciones importantes? A través de nuestro proceso, hemos identificado qué proporciona Estas moléculas tienen mayor fotoestabilidad. Convertimos la caja negra de la IA en un globo de vidrio transparente”.
Los investigadores estaban motivados por la cuestión de cómo mejorar las células solares orgánicas, que se basan en materiales delgados y flexibles, a diferencia de los paneles rígidos y pesados a base de silicio que ahora salpican los tejados y los campos.
“Lo que ha obstaculizado la comercialización de la energía fotovoltaica orgánica es el problema de la estabilidad. Los materiales de alto rendimiento se degradan cuando se exponen a la luz, algo que no es deseable en una célula solar”, afirmó Diao. “Se pueden fabricar e instalar de maneras que no son posibles con el silicio y pueden convertir el calor y la luz infrarroja en energía, pero la estabilidad ha sido un problema desde los años 1980”.
El método de Illinois, llamado “transferencia de circuito cerrado”, comienza con un protocolo de optimización guiado por IA llamado experimento de circuito cerrado. Los investigadores pidieron a la IA que optimizara la fotoestabilidad de las moléculas captadoras de luz, dijo Schroeder. El algoritmo de IA brindó consejos sobre qué tipos de sustancias químicas sintetizar y explorar en múltiples rondas de síntesis de circuito cerrado y caracterización experimental. Después de cada ronda, se reintrodujeron nuevos datos en el modelo, que posteriormente proporcionó sugerencias mejoradas, acercándose cada ronda al resultado deseado.
Los investigadores generaron 30 nuevos candidatos químicos en cinco rondas de pruebas de circuito cerrado, gracias a la química similar a bloques de construcción y la síntesis automatizada de la que fue pionera el grupo de Burke. El trabajo se realizó en el Molecule Maker Lab del Instituto Beckman de Ciencia y Tecnología Avanzada en los EE.UU.
“El enfoque de química modular complementa muy bien las pruebas de circuito cerrado. El algoritmo de IA solicita nuevos datos con el mayor potencial de aprendizaje, y la plataforma de síntesis molecular automatizada puede generar los nuevos compuestos necesarios muy rápidamente. Esos compuestos se prueban y los datos se retroalimentan. al modelo, y el modelo se vuelve más inteligente, una y otra vez”, dijo Burke, quien también es profesor de la Facultad de Medicina de Illinois en Carle “Hasta ahora nos hemos centrado principalmente en la estructura. Nuestra síntesis modular automatizada ahora se ha centrado en la exploración de la función”.
En lugar de finalizar la consulta con productos finales seleccionados por la IA, como en una típica campaña dirigida por la IA, el proceso de transferencia de circuito cerrado buscó descubrir más reglas ocultas que hicieran que las nuevas moléculas fueran más estables.
A medida que se realizaban los experimentos de circuito cerrado, otro conjunto de algoritmos observaba continuamente las moléculas formadas, desarrollando modelos de propiedades químicas que predecían la estabilidad a la luz, dijo Jackson. Una vez que se completa el experimento, los modelos proporcionan nuevas predicciones comprobables en laboratorio.
“Estamos utilizando la IA para formular hipótesis que podamos verificar y luego lanzar nuevas campañas de descubrimiento impulsadas por humanos”, dijo Jackson. “Ahora que tenemos algunos descriptores físicos que hacen que las moléculas sean fotoestables, eso hace que el proceso de selección de nuevos candidatos químicos sea dramáticamente más fácil que buscar ciegamente en el espacio químico”.
Para probar su hipótesis sobre la fotoestabilidad, los investigadores investigaron tres moléculas captadoras de luz estructuralmente diferentes con su propiedad química característica (una región especial de alta energía) y confirmaron que elegir el solvente correcto hacía que las moléculas fueran cuatro veces más estables a la luz.
“Esta es una prueba de principio de lo que se puede hacer. Estamos seguros de que podemos abordar otros sistemas materiales, y las posibilidades sólo están limitadas por nuestra imaginación. Finalmente, imaginamos una interfaz donde los investigadores puedan ingresar una función química que quieran y La IA generará hipótesis que se pondrán a prueba”, afirma Schroeder. “Este trabajo sólo podría realizarse con un equipo multidisciplinario y con las personas, los recursos y las instalaciones que tenemos en Illinois y nuestro colaborador en Toronto. Los cinco equipos se unieron para generar nuevos conocimientos científicos que no habrían sido posibles con uno de los submarinos. Los equipos estaban trabajando de forma aislada.
Este trabajo fue apoyado por el Molecule Maker Lab Institute, un programa del Instituto de Investigación de IA respaldado por la Fundación Nacional de Ciencias de EE. UU. con la subvención no. 2019897.