DuctGPT diseña imanes sin tierras raras

El Ames Laboratory, en Estados Unidos, ha entrenado un sistema de inteligencia artificial llamado DuctGPT con un objetivo muy concreto: inventar imanes permanentes que no necesiten tierras raras. La particularidad del enfoque es que el modelo no se limita a aprender de datos previos, sino que incorpora las leyes de la física para guiar sus propuestas.

Esa diferencia importa más de lo que parece. Un modelo que solo imita lo ya visto tiende a proponer variaciones de lo conocido; uno que razona con las leyes físicas puede explorar combinaciones que respetan las restricciones del mundo real desde el principio. La idea es reducir el número de propuestas inviables y centrar la búsqueda en lo que tiene sentido físico.

El problema que ataca es de los que trascienden el laboratorio. Las tierras raras son un cuello de botella geopolítico y económico: pocos países concentran su producción, lo que vuelve frágil el suministro y vulnerable a tensiones comerciales. Cualquier tecnología que dependa de imanes potentes hereda esa fragilidad en su cadena de abastecimiento.

Por eso un imán permanente potente que prescinda de tierras raras sería tan valioso. Sus aplicaciones potenciales abarcan la defensa, las energías renovables y la electrónica de consumo, sectores donde los imanes de alto rendimiento son piezas críticas. Liberar esas industrias de un insumo escaso y geopolíticamente sensible tendría un peso estratégico evidente.

Un detalle que distingue a DuctGPT es que no optimiza solo el rendimiento teórico. El modelo tiene en cuenta el coste y la disponibilidad de los materiales, no únicamente sus propiedades magnéticas ideales. Eso acerca sus propuestas a lo que realmente se puede fabricar y comprar, en lugar de a soluciones brillantes sobre el papel pero imposibles de aprovisionar.

Conviene, eso sí, mantener la cabeza fría. Lo que produce el sistema son diseños y candidatos, no imanes terminados. El salto de la propuesta a la realidad pasa por fabricar y probar en laboratorio lo que el modelo sugiere, y ahí muchas ideas prometedoras se quedan por el camino. Proponer y demostrar son dos cosas distintas.

El enfoque encaja en una tendencia más amplia: usar IA informada por la física para acelerar el descubrimiento de materiales. La promesa es recortar los ciclos de prueba y error, tradicionalmente lentos y caros, orientando a los investigadores hacia los candidatos más prometedores. No sustituye al laboratorio, lo dirige.

Qué esperar: la prueba de fuego será que alguno de los imanes diseñados por DuctGPT supere la fabricación y la caracterización experimental con prestaciones competitivas. Si eso ocurre, sería un argumento sólido para esta forma de hacer ciencia de materiales. Por ahora, el avance está en el método y en los candidatos; la validación física es la tarea pendiente.