GNoME (mente profunda) ⇐ Proyectos de artículos

[Anonymous]

'''GNoME''' ('''Graph Networks for Materials Exploration''') es un sistema de inteligencia artificial desarrollado por Google DeepMind para el descubrimiento de materiales. Utiliza redes neuronales gráficas y aprendizaje activo (aprendizaje automático) para predecir estructuras cristalinas inorgánicas estables, y los candidatos se evalúan mediante cálculos de la teoría funcional de la densidad. |last1=Comerciante
|first1=Amil
|last2=Batzner
|first2=Simón
|last3=Schönholz
|first3=Samuel S.
|last4=Aykol
|first4=Muratahan
|last5=Cheon
|first5=Gowoon
|last6=Cubuk
|first6=Ekin Dogus
|title=Ampliación del aprendizaje profundo para el descubrimiento de materiales
|diario=Naturaleza (diario)|Naturaleza
|fecha=7 de diciembre de 2023
|volumen=624
|edición=7990
|páginas=80–85
|doi=10.1038/s41586-023-06735-9
|bibcode=2023Natur.624...80M
|doi-acceso=gratis


El sistema se anunció en noviembre de 2023, cuando Google DeepMind informó que GNoME había identificado aproximadamente 2,2 millones de estructuras cristalinas candidatas, incluidos alrededor de 380.000 materiales estables previstos. |last1=Comerciante
|first1=Amil
|last2=Cubuk
|first2=Ekin Dogus
|title=Millones de nuevos materiales descubiertos con aprendizaje profundo
|sitio web=Google DeepMind
|fecha=29 de noviembre de 2023
|url=https://deepmind.google/discover/blog/m ... -learning/
|fecha-acceso=6 de mayo de 2026
Los resultados se publicaron en ''Nature'' y los materiales estables previstos se pusieron a disposición a través del Berkeley Lab Materials Project, una base de datos de acceso abierto para las propiedades calculadas de los materiales. |último=Birón
|primero=Lauren
|title=Google DeepMind agrega casi 400.000 nuevos compuestos al proyecto de materiales del laboratorio de Berkeley
|sitio web=Laboratorio Nacional Lawrence Berkeley
|fecha=29 de noviembre de 2023
|url=https://newscenter.lbl.gov/2023/11/29/g ... s-project/
|fecha-acceso=6 de mayo de 2026


==Fondo==
El descubrimiento de cristales estables (Cristal inorgánico) (Compuesto inorgánico) es un problema importante en la ciencia de los materiales, la química del estado sólido y la ciencia de los materiales computacional. Los nuevos materiales son importantes para la investigación y el desarrollo de semiconductores, investigación de células solares, células solares, catálisis, materiales termoeléctricos, :Categoría:Combustibles, combustibles nucleares, superconductividad, Investigación en baterías de iones de litio, baterías de iones de litio y otras tecnologías de baterías. Los métodos de descubrimiento tradicionales a menudo se basan en prueba y error experimental, mientras que los enfoques computacionales utilizan cálculos basados en la física para estimar si es probable que un material propuesto sea estable.

Antes de GNoME, se utilizaban bases de datos como Materials Project, Inorganic Crystal Structure Database y otras bases de datos de materiales computacionales para identificar y seleccionar estructuras candidatas. GNoME fue desarrollado para ampliar esta búsqueda mediante el uso de modelos de aprendizaje automático entrenados en datos de estabilidad y estructura cristalina.

==Metodología==
GNoME trata las estructuras cristalinas candidatas como gráficos. En esta representación, los átomos se modelan como nodos y las relaciones entre átomos vecinos se modelan como aristas. Una representación gráfica simplificada se puede escribir como:

:G = (V, E)

donde V es el conjunto de sitios atómicos y E es el conjunto de aristas que representan interacciones atómicas vecinas. Esto hace que las redes neuronales gráficas sean adecuadas para modelar cristales, porque una estructura cristalina puede describirse tanto por las identidades de los átomos como por su disposición geométrica.

El sistema utilizó dos canales principales de generación de candidatos. Un proceso estructural generó nuevos candidatos a partir de estructuras cristalinas conocidas, mientras que un proceso compositivo buscó fórmulas químicas sin requerir una estructura conocida como entrada. Los materiales candidatos fueron filtrados por el modelo de aprendizaje automático y luego evaluados con la teoría funcional de la densidad. Los resultados de esos cálculos se volvieron a agregar a los datos de entrenamiento, creando un ciclo iterativo de aprendizaje activo.

===Notación de estabilidad===
Un objetivo central de GNoME es predecir si un material candidato es termodinámicamente estable. Para un compuesto con energía total E_\text{total}, su energía de formación se puede escribir de forma simplificada como:

:E_f = E_\text{total} - \sum_i n_i \mu_i

donde E_f es la energía de formación, n_i es el número de átomos del elemento i y \mu_i es el potencial químico de ese elemento. En la selección de materiales computacionales, los compuestos candidatos a menudo se comparan con otras fases posibles. Un material se considera estable si se encuentra en el casco convexo de las fases competitivas de menor energía.

La energía sobre el casco convexo se puede expresar como:

:E_\text{casco} = E_f - E_\text{casco}^{\min}

donde E_\text{hull}^{\min} es la energía de formación mínima disponible a partir de fases estables en competencia con la misma composición general. Los materiales con E_\text{hull} = 0 están en el casco convexo y se predice que serán estables, mientras que los materiales sobre el casco pueden ser metaestables o inestables.

==Aplicaciones==
Los materiales predichos de GNoME se describieron como candidatos para una mayor evaluación en áreas como la electrónica, el almacenamiento de energía, la energía fotovoltaica y los iones de estado sólido. El artículo ''Nature (journal)|Nature'' destacó los materiales en capas y los conductores de iones de litio|conductor superiónico como ejemplos de familias de materiales que podrían explorarse utilizando el catálogo más amplio de cristales estables pronosticados.

Algunos datos derivados de GNoME también se utilizaron en relación con A-Lab, un laboratorio autónomo de síntesis de materiales en el Laboratorio Nacional Lawrence Berkeley. Un artículo relacionado ''Nature (revista)|Nature'' informó que A-Lab utilizó datos del Proyecto de Materiales y Google DeepMind en un flujo de trabajo automatizado para sintetizar materiales inorgánicos|compuesto inorgánico. |último1=Szymanski
|first1=Nathan J.
|last2=Rendy
|first2=Bernardo
|last3=Fei
|first3=Yuxing
|display-authors=etal
|title=Un laboratorio autónomo para la síntesis acelerada de materiales inorgánicos
|diario=Naturaleza (diario)|Naturaleza
|fecha=7 de diciembre de 2023
|volumen=624
|edición=7990
|páginas=86–91
|doi=10.1038/s41586-023-06734-w
|doi-acceso=gratis
|last=Poplow
|primero=Marca
|title=La IA de Google y los robots unen fuerzas para construir nuevos materiales
|diario=Naturaleza (diario)|Naturaleza
|fecha=29 de noviembre de 2023
|doi=10.1038/d41586-023-03745-5


==Recepción y limitaciones==
GNoME se cubrió como parte de una tendencia más amplia hacia el descubrimiento científico asistido por IA y la investigación de materiales automatizados. El proyecto también se comparó con otros usos a gran escala del aprendizaje automático en la ciencia, como AlphaFold en la predicción de estructuras de proteínas.

Posteriormente, algunos investigadores expresaron su preocupación por la duplicación y la novedad en los conjuntos de datos cristalográficos generados por IA. En 2025, "Chemical & Engineering News" informó que los investigadores habían identificado posibles estructuras cristalinas exactas y casi duplicadas en la base de datos GNoME y argumentaron que tales problemas deberían etiquetarse o corregirse en las bases de datos cristalográficas. |último=Chawla
|primero=Dalmeet Singh
|title=Estructuras duplicadas acechan en las bases de datos de cristalografía
|magazine=Noticias de química e ingeniería
|fecha=16 de diciembre de 2025
|url=https://cen.acs.org/research-integrity/ ... eb/2025/12
|fecha-acceso=6 de mayo de 2026
El estudio relacionado de A-Lab también fue corregido por ''Nature'' en 2026 después de las críticas a sus afirmaciones originales sobre materiales recientemente sintetizados. |último=Chawla
|primero=Dalmeet Singh
|title=Se corrigió el artículo del químico robot 'Naturaleza', pero algunas preguntas siguen sin respuesta
|magazine=Noticias de química e ingeniería
|fecha=29 de enero de 2026
|url=https://cen.acs.org/research-integrity/ ... eb/2026/01
|fecha-acceso=6 de mayo de 2026


==Ver también==
* Inteligencia artificial en química
* Quimioinformática
* Química computacional
* Predicción de la estructura cristalina
* Teoría funcional de la densidad
* Descubrimiento de fármacos
* Inteligencia artificial generativa
* Historia de la ciencia de los materiales
* Aprendizaje automático en física
* Proyecto de Materiales
* Diseño de proteínas
* Cronología de la tecnología de materiales

* * * [https://next-gen.materialsproject.org/gnome GNoME Explorer] en el Proyecto de Materiales

Google Deep Mind
Aprendizaje automático
Ciencia de los materiales
Química computacional
Física computacional
Cristalografía

More details: https://en.wikipedia.org/wiki/GNoME_(DeepMind)