Durante décadas, encontrar un compuesto verdaderamente prometedor se parecía más a buscar una aguja en un pajar que a seguir una estrategia sistemática. Los expertos examinaban miles de sustancias potenciales, descartaban la gran mayoría y, únicamente tras incontables simulaciones y ensayos, emergía algún candidato que merecía atención. Aquel recorrido consumía enormes recursos y, con frecuencia, concluía sin logros significativos.
Ese escenario empieza a transformarse gracias a la inteligencia artificial. En vez de analizar todas las opciones por igual, los algoritmos detectan patrones invisibles para el ojo humano y destacan las alternativas con mayor potencial. El propósito no consiste en reemplazar a los científicos, sino en reducir drásticamente el tiempo necesario para dar con materiales dotados de atributos poco comunes.
Una investigación internacional, difundida a través de Physical Review Research, acaba de aportar una de las demostraciones más sólidas de ese planteamiento. Tras combinar aprendizaje automático, física computacional y validación experimental, el equipo logró obtener dos superconductores inéditos, un hito llamado a modificar la manera en que surgen compuestos avanzados durante los próximos años.
La IA encontró dos candidatos antes de que existieran en el laboratorio
Todo comenzó con un plataforma de aprendizaje automático entrenada para reconocer sustancias químicas con elevada probabilidad de exhibir superconductividad. En lugar de estudiar cada alternativa mediante costosos cálculos desde el comienzo, el sistema depuró un inmenso conjunto de posibilidades y confeccionó una selección mucho más reducida sobre la que merecía la pena profundizar.
En lugar de estudiar cada alternativa con costosos cálculos, el sistema depuró un inmenso conjunto de posibilidades e hizo una selección mucho más reducida en la que profundizar.
Más tarde entró en juego la física cuántica. Los científicos recurrieron a métodos de primeros principios para evaluar la estabilidad, la configuración electrónica y el comportamiento vibracional de las formulaciones mejor posicionadas. Esa segunda criba descartó propuestas poco viables y concentró los esfuerzos en las opciones más esperanzadoras.
Entre ellas sobresalían dos boruros de rutenio con tierras raras: YRu₃B₂y LuRu₃B₂. Ambos poseen una red cristalina de tipo kagome, una disposición atómica ampliamente estudiada porque favorece fenómenos cuánticos poco habituales. Los modelos anticipaban que aquellas formulaciones reunían las condiciones adecuadas para convertirse en superconductores.
La comprobación definitiva llegó fuera del ordenador. Los investigadores sintetizaron ambos materiales y sometieron las muestras a diversas pruebas de laboratorio. Las mediciones de resistividad eléctrica, magnetización y calor específico corroboraron que, efectivamente, los dos entraban en estado superconductor al descender hasta temperaturas próximas al cero absoluto.
De ese modo, la inteligencia artificial no solo había señalado candidatos dignos de consideración: además condujo el proyecto hacia un hallazgo cuya validez quedó finalmente respaldada por la evidencia experimental.
¿Por qué este avance importa mucho más que estos dos superconductores?
A primera vista, la noticia parece limitarse a la incorporación de dos integrantes a la larga lista de superconductores conocidos. Sin embargo, esa lectura se queda corta. El auténtico salto reside en haber validado un enfoque capaz de acelerar una tarea que, tradicionalmente, exigía enormes cantidades de tiempo, potencia informática y trabajo de laboratorio.
El universo de combinaciones químicas posibles es tan enorme que recorrerlo de manera exhaustiva resulta prácticamente inviable. Incluso con los superordenadores actuales, evaluar cada alternativa mediante simulaciones detalladas requeriría décadas o siglos de procesamiento. Ahí radica la principal virtud de la inteligencia artificial: cribar de antemano casi todas las posibilidades antes de recurrir a las herramientas computacionales más exigentes.
En este estudio, el algoritmo no tomó la decisión definitiva ni sustituyó el criterio de los físicos. Su misión consistió en reducir drásticamente el abanico de opciones sobre las que merecía la pena invertir recursos. Acto seguido, los cálculos de primeros principios sirvieron para examinar con mucha mayor precisión las propuestas supervivientes y, únicamente cuando las previsiones alcanzaron un grado suficiente de solidez, arrancó la fase de síntesis y caracterización.
Incluso con los superordenadores actuales, evaluar cada alternativa mediante simulaciones detalladas requeriría décadas o siglos de procesamiento, y ahí radica la principal virtud de la inteligencia artificial: cribar de antemano casi todas las posibilidades.
La comparación con un explorador ayuda a entender el cambio. Disponer de un mapa capaz de descartar casi todo el territorio antes de iniciar la expedición evita recorrer miles de caminos sin ninguna garantía de éxito. Gracias a ello, los especialistas concentran sus esfuerzos en un reducido número de rutas con muchas más probabilidades de desembocar en un avance relevante. El ahorro de tiempo y recursos resulta monumental incluso cuando algunas posibilidades acaban descartándose.
Las implicaciones de esta estrategia van mucho más allá de la superconductividad. El almacenamiento energético, las baterías de alto rendimiento, la electrónica avanzada, la computación cuántica o la catálisis industrial también obligan a recorrer espacios químicos gigantescos. Si la inteligencia artificial mantiene un desempeño semejante en esos campos, la incorporación de nuevos compuestos podría acelerarse de forma muy significativa.
¿Qué son los superconductores y por qué todo el mundo los busca?
Un superconductor es una sustancia o material que, por debajo de una determinada temperatura, transporta corriente eléctrica sin resistencia. En esas circunstancias, desaparecen las pérdidas energéticas asociadas al desplazamiento de los electrones y afloran propiedades excepcionales, como la expulsión del campo magnético del interior del sólido.
Con los superconductores, desaparecen las pérdidas energéticas asociadas al desplazamiento de los electrones y afloran propiedades extraordinarias.
Esa singularidad explica el enorme interés que despiertan desde hace más de un siglo. Gracias a ellos funcionan los potentes imanes empleados en numerosos equipos de resonancia magnética, determinados aceleradores de partículas y diversos sistemas de levitación magnética. Asimismo, representan una de las mayores esperanzas para construir redes eléctricas mucho más eficientes e impulsar ciertas tecnologías cuánticas del futuro.
Aun así, persiste un obstáculo importante. La mayor parte solo adquiere esas cualidades a temperaturas muy bajas, próximas al cero absoluto. Los dos compuestos identificados usando la inteligencia artificial tampoco escapan a esa restricción, puesto que comienzan a comportarse como superconductores por debajo de un kelvin aproximadamente. Ese umbral aleja, por ahora, cualquier aplicación cotidiana.
Por ese motivo, el verdadero atractivo de la investigación no reside en disponer ya de materiales preparados para transformar la industria, sino en contar con una metodología capaz de localizar candidatos inéditos mucho más deprisa que antes, acelerando la exploración de otras formulaciones que algún día puedan funcionar en condiciones progresivamente menos extremas.
Lo que los investigadores descubrieron después y que cambia la interpretación del hallazgo
La validación experimental confirmó que el enfoque funcionaba, aunque también dejó una enseñanza francamente valiosa. Las simulaciones iniciales pronosticaban temperaturas críticas superiores a las registradas finalmente en el laboratorio. Lejos de juzgar esa discrepancia un fracaso, los autores aprovecharon el contraste para averiguar qué fenómenos físicos escapaban a las primeras estimaciones y refinar así todo el esquema de trabajo.
El examen posterior reveló que la configuración electrónica de ambos compuestos dispersa con mayor intensidad algunos estados próximos al nivel de Fermi. Ese atributo reduce la densidad electrónica disponible y debilita el acoplamiento entre electrones y vibraciones de la red cristalina, un mecanismo esencial para explicar la superconductividad convencional.
En otras palabras, la inteligencia artificial acertó al escoger candidatos muy promisorios, mientras la caracterización posterior esclareció por qué el comportamiento observado se apartaba en cierto modo de las previsiones iniciales.
Las sorpresas no terminaron ahí. Los cálculos microscópicos pusieron de manifiesto que el estado superconductor no surge de forma uniforme, sino mediante dos brechas energéticas diferenciadas asociadas a orbitales distintos del rutenio. Ese resultado proporciona una perspectiva mucho más rica del fenómeno y pone de relieve que la física interna de estas sustancias encierra una complejidad muy superior a la sugerida por los modelos simplificados empleados durante las primeras fases del cribado.
Otra observación llamativa afecta a la propia red kagome. Esta arquitectura cristalina suele vincularse a intensos efectos cuánticos geométricos, razón por la que acapara tantas miradas entre los expertos. Sin embargo, en YRu₃B₂ y LuRu₃B₂ esas consecuencias resultaron bastante menos decisivas de lo previsto. El transporte sin resistencia continúa sustentándose fundamentalmente en mecanismos convencionales, circunstancia que obliga a revisar algunas expectativas sobre esta familia de compuestos.
Quizá ahí resida la enseñanza esencial del estudio. La inteligencia artificial no reemplazó la teoría, tampoco sustituyó la experimentación ni eliminó la necesidad de interpretar cuidadosamente cada observación. Su contribución clave, como decimos, consistió en acortar de forma drástica el recorrido entre una descomunal colección de posibilidades y un reducido grupo de candidatos realmente esperanzadores.
Esa convergencia entre algoritmos, modelos cuánticos y verificación empírica podría inaugurar una nueva etapa para la búsqueda de materiales avanzados, en la que los grandes descubrimientos dependan menos del azar y más de una exploración guiada por datos.
Desde ese momento, entraron en escena la física computacional, la síntesis química y la comprobación de laboratorio para culminar el itinerario. Esa convergencia entre algoritmos, modelos cuánticos y verificación empírica podría inaugurar una nueva etapa para la búsqueda de materiales avanzados, en la que los grandes descubrimientos dependan cada vez menos del azar y cada vez más de una exploración guiada por datos.
Referencias
- Universidad Aalto. «AI just supercharged the race to find room temperature superconductors«. ScienceDaily, 7 de julio de 2026.
- Rose Albu Mustaf, Sajilesh K. P., Sanu Mishra, Junze Deng, Yi Jiang, Kaja H. Hiorth, Eeli O. Lamponen, Martin Gutierrez-Amigo, Päivi Törmä, Miguel A. L. Marques, B. Andrei Bernevig y Emilia Morosan. «Machine-learning-guided discovery of kagome superconductors YRu₃B₂ and LuRu₃B₂«. Physical Review Research, 17 de junio de 2026. DOI: 10.1103/lpqj-7hyg.
Fuente informativa
#Una #acaba #descubrir #dos #nuevos #superconductores #boruro #rutenio #puede #revolucionar #búsqueda #materiales
