La nueva técnica desarrollada por el equipo del profesor Milad Abolhasani permite recolectar 10 veces más datos que los métodos tradicionales, acelerando el descubrimiento de materiales, reduciendo costos y minimizando el impacto ambiental.
Los laboratorios autodirigidos, plataformas robóticas que combinan automatización e inteligencia artificial para acelerar el descubrimiento de nuevos materiales, están dando un salto evolutivo gracias a una innovación del equipo de investigación de la Universidad Estatal de Carolina del Norte (NC State). El avance, publicado en la revista Nature Chemical Engineering, permite recolectar información a una velocidad sin precedentes, lo que podría transformar industrias como la energía limpia, la electrónica y la química sostenible.
“Este trabajo acerca un paso más ese futuro en el que los científicos pueden descubrir materiales revolucionarios en días, en lugar de años, utilizando apenas una fracción de recursos y generando mucho menos desperdicio”, explicó Milad Abolhasani, autor principal del estudio y profesor de Ingeniería Química y Biomolecular en NC State.
Hasta ahora, los laboratorios autodirigidos que utilizaban reactores de flujo continuo dependían de experimentos en estado estacionario: un método que requería esperar a que la reacción química finalizara para caracterizar el material producido, proceso que podía demorar hasta una hora por experimento. Ese tiempo muerto limitaba severamente la eficiencia del sistema.
La nueva técnica, en cambio, introduce lo que el equipo llama “experimentos de flujo dinámico”, en los que las mezclas químicas se modifican continuamente y son monitoreadas en tiempo real. “En lugar de obtener un único dato después de 10 segundos de reacción, ahora obtenemos 20 datos —uno cada medio segundo— como si pasáramos de una foto fija a una película completa del experimento”, graficó Abolhasani.
Esta recopilación de datos de alta frecuencia tiene un efecto directo en el desempeño del algoritmo de aprendizaje automático, el “cerebro” del laboratorio autodirigido. “Cuanto más datos de calidad recibe el algoritmo, más certeras se vuelven sus predicciones y más rápido encuentra la solución óptima”, añadió el investigador. En efecto, el sistema desarrollado por NC State logró identificar los mejores materiales candidatos desde el primer intento, tras ser entrenado con esta técnica intensificada.
El impacto va más allá de la velocidad: también implica una reducción significativa en el uso de químicos y en la generación de residuos. “El futuro del descubrimiento de materiales no se trata solo de cuán rápido podemos avanzar, sino también de cuán responsablemente lo hacemos”, subrayó Abolhasani.
Durante el estudio, el equipo demostró que el nuevo sistema generó al menos 10 veces más datos que los enfoques anteriores en el mismo lapso de tiempo. Esa eficiencia se traduce en una disminución notable de los costos operativos y del impacto ambiental, dos factores clave en la transición hacia una ciencia más sostenible.
El trabajo, titulado Flow-Driven Data Intensification to Accelerate Autonomous Inorganic Materials Discovery, fue realizado por un equipo multidisciplinario que incluye a estudiantes, investigadores y colaboradores de NC State y del Tecnológico de Monterrey. La investigación contó con el apoyo de la National Science Foundation mediante las subvenciones 1940959, 2315996 y 2420490, así como del programa University of North Carolina Research Opportunities Initiative.
Con esta innovación, los laboratorios autodirigidos se posicionan como una herramienta clave para enfrentar los grandes desafíos tecnológicos del siglo XXI, desde la transición energética hasta la producción industrial limpia, combinando velocidad, eficiencia y responsabilidad ambiental.