.jpg)
El descobriment de nous materials ha estat històricament un procés costós i lent, on l'avaluació experimental o computacional de propietats (com la conductivitat tèrmica o el mòdul elàstic) consumeix la major part dels recursos. En els últims anys, la intel·ligència artificial ha revolucionat aquest camp mitjançant models generatius que proposen estructures cristal·lines prometedores, però el coll d'ampolla continua sent la validació amb simulacions d'alt cost (per exemple, DFT). Una estratègia emergent consisteix a interposar un substitut probabilístic —un model d'aprenentatge automàtic ràpid— que actuï com a filtre intel·ligent entre el generador i l'oracle costós. Aquest disseny bayesià de materials empra un procés gaussià com a porta que puntua i ordena les candidates, permetent a l'oracle centrar-se només en les més prometedores. Els resultats mostren que, amb un pressupost limitat d'avaluacions, l'ús d'un substitut basat en embeddings preentrenats (com ORB) pot igualar o fins i tot superar el rendiment de l'ajust directe del model generatiu, reduint les crides a l'oracle en un factor de cinc amb una pèrdua de precisió mínima. Aquest enfocament no només accelera el descobriment, sinó que també obre la porta a aplicacions a mida en sectors com l'energia, l'electrònica o la catàlisi.
La clau de l'èxit resideix en com el substitut aprèn a representar les estructures generades. En lloc de dependre de descriptors manuals, s'empren embeddings extrets de xarxes neuronals preentrenades amb grans bases de dades cristal·lines, cosa que captura relacions complexes entre composició, simetria i propietats. Combinat amb un procés gaussià, el model proporciona no només una predicció puntual, sinó també una incertesa associada, permetent aplicar criteris de selecció com el ranking, que ha demostrat ser molt més eficaç que la selecció aleatòria. Aquest tipus de flux de treball és perfectament traslladable a l'àmbit empresarial, on les companyies necessiten prendre decisions ràpides basades en dades limitades. Implementar un sistema així requereix un programari a mida que integri models generatius, substituts probabilístics i oracles, tot orquestrat per maximitzar l'eficiència sense sacrificar la qualitat.
A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, entenem que la integració d'intel·ligència artificial en processos de recerca i desenvolupament ha de ser robusta i flexible. Els nostres serveis inclouen la creació de plataformes que combinen agents d'IA per a la generació de candidats, substituts basats en aprenentatge automàtic i sistemes d'avaluació escalables. A més, aprofitem ia per a empreses per dissenyar pipelines que s'adapten a dominis específics, ja sigui en materials, fàrmacs o logística. El núvol juga un paper fonamental en aquest context: els serveis cloud AWS i Azure permeten desplegar simulacions massives i emmagatzemar embeddings d'alta dimensió sense preocupar-se per la infraestructura local, mentre que la ciberseguretat garanteix la protecció de les dades propietàries. Tot això es pot complementar amb serveis d'intel·ligència de negoci, com Power BI, per visualitzar en temps real el progrés de les campanyes de descobriment i les mètriques dels substituts.
Un dels avantatges diferencials de l'enfocament bayesià és la seva capacitat per operar amb pressupostos d'avaluació molt reduïts. Això és especialment rellevant en entorns industrials on cada simulació costa temps i diners. En utilitzar un substitut que ordena les propostes del generador, es pot concentrar l'esforç computacional en les poques estructures que realment mereixen ser validades. Per exemple, en la recerca de nous electròlits per a bateries, un model generatiu pot produir milers de candidates, però només unes desenes arribaran a l'oracle, i d'elles una fracció serà provada experimentalment. Aquest tipus d'optimització, que combina aprenentatge automàtic amb disseny experimental, és una aplicació perfecta del concepte d'agents IA treballant en cadena: l'agent generador proposa, l'agent substitut filtra i l'oracle confirma.
La implementació pràctica d'aquests sistemes requereix un equip multidisciplinari que domini tant la ciència de materials com l'enginyeria de programari. A Q2BSTUDIO oferim serveis de desenvolupament d'aplicacions a mida que permeten personalitzar cada pas del flux: des de l'elecció de l'embedding més adequat fins a la integració amb oracles externs (DFT, simulacions MD, etc.). La nostra experiència en serveis cloud AWS i Azure assegura que la solució sigui escalable i mantenible, mentre que la capa de ciberserveis d'intel·ligència de negoci aporta visibilitat al procés. Si la seva organització busca accelerar el descobriment de materials o qualsevol altre domini on l'avaluació sigui costosa, un enfocament de substitut probabilístic amb embeddings preentrenats pot ser la resposta, i nosaltres podem ajudar-lo a materialitzar-lo.
