¿Qué ocurre dentro de un teléfono o un vehículo eléctrico cuando el calor aumenta y sus piezas deben seguir respondiendo sin fallas? Muchas veces, la clave está en componentes invisibles que almacenan energía y sostienen el funcionamiento diario de la electrónica.
Un equipo de la Universidad Nacional de Seúl, dirigido por el profesor Ho Won Jang, usó inteligencia artificial para encontrar nuevos materiales dieléctricos sin plomo. El hallazgo reduce una búsqueda de cerca de 150 millones de combinaciones químicas a solo 37 candidatos posibles.
Los dieléctricos son aislantes que bloquean el paso directo de la electricidad, pero pueden guardar carga eléctrica. Son una pieza clave en los condensadores cerámicos multicapa, pequeños componentes presentes en móviles, vehículos eléctricos y numerosos dispositivos.
El desafío no es menor: un buen dieléctrico debe almacenar mucha energía en poco espacio y conservar esa capacidad cuando sube la temperatura. Los métodos tradicionales, basados en ensayo y error, suelen ser lentos, caros y difíciles de escalar.
Además, el conocimiento necesario ya existía, pero estaba repartido entre cientos de textos, tablas y gráficos científicos. Era como intentar reparar una casa con los planos guardados en 448 cajones diferentes, sin saber qué medida pertenece a cada habitación.
La IA como un tablero eléctrico que ordena el caos
Para resolverlo, los investigadores aplicaron minería multimodal, una técnica que lee de forma conjunta textos, tablas y gráficos. Los modelos de lenguaje identificaron fórmulas químicas y condiciones de fabricación, mientras que los gráficos se transformaron en números comparables.
El mecanismo reunió 1.202 registros extraídos de 448 artículos científicos. Después, el equipo añadió 22 descriptores físicos, datos sobre composición y estructura interna, para que materiales estudiados en condiciones distintas pudieran compararse con mayor precisión.
La analogía es la de un tablero eléctrico doméstico. La IA no se limitó a encender todas las llaves al azar: revisó qué cableado podía soportar la carga, descartó conexiones imposibles y detectó cuáles interruptores tenían más posibilidades de mantener la luz estable.
En este caso, las restricciones físicas funcionaron como un sistema de seguridad. Evitaron que el algoritmo propusiera combinaciones químicas poco realistas, aunque los números parecieran prometedores en una primera revisión.
Luego entró en juego el diseño inverso, una búsqueda que comienza por el resultado deseado. En vez de fabricar materiales uno por uno para medirlos después, el sistema preguntó qué composiciones podían ofrecer alta capacidad de almacenamiento y estabilidad térmica.
Para aumentar la fiabilidad, el equipo combinó 30 modelos de aprendizaje automático, programas que detectan patrones a partir de datos. El sistema priorizó las opciones en las que existía mayor acuerdo entre esos modelos independientes.
Dos materiales validados y una oportunidad para la electrónica
De los 37 candidatos finales, los científicos sintetizaron dos en el laboratorio. Ambas formulaciones incluían estaño en proporciones del 1% y del 2%, una modificación pequeña que actuó como un interruptor de estabilidad frente al calor.
A temperatura ambiente, alcanzaron constantes dieléctricas de 3.422 y 3.307. Esa constante indica cuánta carga puede almacenar un componente en un espacio determinado: cuanto más alta es, mayor es su capacidad energética.
Frente al titanato de bario, un material habitual en condensadores cerámicos multicapa, las nuevas composiciones conservaron sus propiedades de forma más consistente en un intervalo térmico más amplio. Es una ventaja relevante para equipos que trabajan bajo exigencia.
Los análisis también revelan el posible mecanismo: el estaño expande la estructura cristalina y aumenta la heterogeneidad eléctrica, diferencias locales en el comportamiento de las cargas. Como una tubería con mejor margen interno, esa estructura parece tolerar mejor los cambios de temperatura.
El valor central del trabajo no se limita a dos materiales. Revela que la IA puede ordenar décadas de información fragmentada, reducir experimentos innecesarios y acercar componentes más estables a los dispositivos de uso cotidiano.
Así, una búsqueda que parecía inabarcable empieza a parecerse menos a revisar millones de cajones y más a encontrar, por fin, el cable correcto dentro de una instalación compleja.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
