Los agentes de IA mejoran la recuperación de estructuras cristalinas del 27 % al 69 %, lo que podría acelerar la investigación de nuevos materiales
Un nuevo sistema de IA utiliza agentes de modelos de lenguaje grandes para determinar la disposición de los átomos en los cristales a partir de datos de difracción de polvo mucho más rápido, lo que podría acelerar el descubrimiento de fármacos y el desarrollo de nuevas baterías.

Un programa de ordenador que usa agentes de IA para averiguar cómo se organizan los átomos dentro de los cristales a partir de datos de difracción de rayos X.
Qué se podría hacer con ello
- Un investigador en ciencia de materiales podría determinar la disposición atómica dentro de un cristal a partir de datos de difracción de rayos X en polvo mucho más rápido que antes, reduciendo un trabajo que normalmente toma semanas o meses a una fracción de ese tiempo 1.
- Un desarrollador de baterías podría acelerar el descubrimiento de nuevos materiales para baterías determinando rápidamente cómo se disponen sus átomos 1.

Figura: Chen et al., arXiv:2611.17539, CC BY 4.0
Un rompecabezas más difícil, resuelto paso a paso
Determinar la estructura atómica de un cristal a partir de difracción de rayos X en polvo, llamada pXRD, es uno de los problemas más difíciles de la ciencia de materiales. A diferencia de otros métodos que ofrecen una imagen clara, la pXRD produce señales superpuestas de millones de cristales a la vez, lo que hace extremadamente difícil reconstruir la disposición original 1.
El equipo, liderado por Samuel Chen junto con Jiaru Bai, Austin Henry Cheng, Varinia Bernales y Alán Aspuru-Guzik, reformuló la tarea como un problema buscable. En lugar de intentar resolverlo todo a la vez, los agentes proponen estructuras candidatas, las prueban contra el patrón de difracción y las mejoran gradualmente, un proceso similar a la escalada de colinas, donde das pequeños pasos hacia arriba hasta alcanzar la cima 1.
Cada candidata puede verificarse durante la búsqueda simulando cómo sería su patrón de difracción y luego comparándola con una estructura de referencia conocida si existe 1.
Estructuras cristalinas encontradas más rápido con agentes de IA
benchmark pXRD-Bench de 200 problemas simulados
Puntuación y resultados
Para medir el progreso, los investigadores crearon pXRD-Bench, un conjunto de pruebas de 200 problemas de determinación de estructura de fase única simulados que cubren casos estándar, estructuras polimórficas desafiantes y desplazamientos controlados en composición y topología cristalina 1.
En esta puntuación, adaptar los agentes LLM elevó la recuperación estructural exitosa del 27 % al 69 %, con mejoras adicionales a partir de muestreo repetido y ajuste de escala en el momento de inferencia guiado por verificador 1.
Aprender de los errores sin muestras reales
Quizás la parte más inventiva sea cómo el sistema aprende de la experiencia sin necesidad de datos reales ya resueltos. Los investigadores construyeron un "marco de evolución reflexiva" en el que un agente evolucionador genera problemas sintéticos de pXRD, diagnostica por qué falló su resolvedor en cada uno, y desarrolla orientación persistente y herramientas ejecutables para intentos futuros 1.
Esto significa que el sistema se vuelve más inteligente a partir de sus propios ensayos y errores, produciendo experiencia verificable de entrenamiento sin requerir una colección de mediciones experimentales previamente resueltas 1.
Cuando se probó sobre 15 patrones medidos realmente procedentes de experimentos de síntesis en estado sólido, el paquete evolucionado mejoró la concordancia promedio de perfiles y transfirió un procedimiento de sustitución análoga que recuperó una fase cuya estructura estaba ausente en la biblioteca de referencia proporcionada 1.
En términos sencillos, la IA encontró una estructura cristalina que nunca había visto, ausente en la biblioteca de referencia proporcionada 1.
Qué sigue
El trabajo se presentó como charla destacada en el taller NeurIPS 2026 sobre IA para Materiales (AI4Mat), lo que indica un fuerte interés por parte de la comunidad investigadora 1. Si bien la tecnología aún está en fase de investigación, la determinación autónoma de estructuras cristalinas podría convertirse en una herramienta rutinaria en laboratorios autónomos de materiales dentro de los próximos años .
Correcciones y actualizaciones
- Corregido el 17 de noviembre de 2026. Una versión anterior afirmaba que el trabajo estaba dirigido a investigadores de laboratorio con implicaciones para productos cotidianos; el artículo no lo establece. Una versión anterior afirmaba que los expertos humanos tendrían dificultades sin conocimiento previo; la fuente no establece esa comparación, aunque sí confirma que una fase recuperada estaba ausente en la biblioteca de referencia proporcionada.
Los datos clave
- La adaptación del agente elevó la recuperación estructural del 27 % al 69 % en una puntuación de 200 problemas
- El sistema identificó exitosamente una estructura cristalina ausente en su biblioteca de referencia utilizando datos experimentales reales
- El marco de evolución reflexiva permite que la IA aprenda de errores sintéticos sin muestras reales resueltas previamente
- Trabajo aceptado como charla destacada en el taller AI4Mat de NeurIPS 2026
Palabras clave:
materiales: Sustancias que forman los objetos y estructuras con los que interactuamos diariamente, desde medicamentos hasta baterías.
difracción de rayos X: Técnica que analiza cómo los rayos X se dispersan al pasar por un material para revelar su estructura interna.
Fuentes
Mira
Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes
Sigue leyendo
Nuevo modelo de IA Gemini 4 Hydrogen se suma a la familia de Google
Google lanzó su modelo Gemini 4 más económico, ya disponible a través de una herramienta abierta y cotidiana para desarrolladores.
Los LLM entrenados con GRPO pueden amplificar silenciosamente los malos hábitos, hallan investigadores
Un nuevo estudio explica por qué los asistentes de IA a veces adquieren defectos de personalidad no deseados después del ajuste fino, incluso cuando nadie pidió esas características.
Los LLM hacen que el texto de IA sea más difícil de leer porque optimizan por la información, no por el chat
Un nuevo estudio muestra que los modelos fronterizos como GPT-6, Claude y similares usan gramática compleja y palabras poco frecuentes más que los humanos, y que eso dificulta seguir su salida.