En una batería común, el electrolito es líquido y las partículas cargadas (iones) se mueven libremente. En la versión sólida, se abren paso a través de «corredores» atómicos, como peatones en pasajes estrechos. Para que la batería funcione rápido, se necesita un material con buena conductividad iónica. Pero buscar esos materiales a ciegas implica años de prueba y error. El aprendizaje automático asume el papel de «ingeniero de tráfico»: entrenado con ejemplos precisos, predice dónde los iones no se atascarán.
Los investigadores descubrieron que, para predicciones precisas, no importan los gigabytes de datos, sino el etiquetado impecable de muestras pequeñas. Incluso en materiales ricos en carbono, el modelo aprende excelentemente con pocos cálculos de alta calidad. La sorpresa fue que la medida de error habitual —la entropía de fuerzas— casi no guarda relación con la velocidad real del transporte iónico. Es como evaluar la congestión de las calles por el color de las fachadas. La espectroscopia lo confirma: en un sólido sin agua, los iones se mueven de forma distinta que en un líquido.
El resultado es una receta clara para los ingenieros: datos pequeños pero perfectos acortan el camino hacia baterías seguras que resistan el frío y el calor.
Para predecir de forma fiable las propiedades de un material, a una red neuronal a menudo le bastan 500 ejemplos precisos, y supera a un modelo entrenado con 50.000 datos ruidosos.