La IA encuentra materiales que casi no conducen el calor exprés
El calor fluye a través de la materia como el agua por las tuberías: a veces rápido, a veces apenas. Los ingenieros buscan materiales que casi no dejan pasar el calor, como tuberías obstruidas. Estos aislantes son clave para el ahorro energético y los dispositivos que transforman calor en electricidad. La red neuronal KappaFormer evalúa rápidamente la «capacidad de paso» de la estructura atómica.
El secreto de KappaFormer está en su intuición física. Ludwig Boltzmann comprendió que el calor depende del caos en el movimiento de las partículas. En un cristal, los átomos vibran; las vibraciones coordinadas transportan calor, las caóticas no. La red distingue estas contribuciones analizando el patrón atómico. Se entrenó con millones de datos sobre compresión y estiramiento de materiales, y luego se reentrenó con ejemplos escasos de conductividad térmica. Sorprendentemente, esto bastó para predicciones ultraprecisas, como un fontanero que detecta una obstrucción por el sonido de la tubería.
Tras probar miles de opciones, KappaFormer encontró sustancias con una fuga de calor casi nula, cientos de veces mejor que el vidrio de las ventanas. Su geometría atómica enreda las vibraciones térmicas, que se apagan como el sonido en un piano desafinado. Ahora la red se reorienta hacia la búsqueda de otros materiales. La física integrada en el algoritmo conduce a los materiales del futuro, desde escudos espaciales hasta computadoras cuánticas.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2604.03547
Machine learning has been widely used for predicting material properties. However, efficient prediction of lattice thermal conductivity ($$\kappa_\mathrm{L}$$) remains a long-standing challenge, primarily due to the scarcity of high-quality training data. Here we introduce KappaFormer, a physics-aware Transformer architecture that embeds the harmonic-anharmonic decomposition of $$\kappa_\mathrm{L}$$ within the network. KappaFormer comprises a harmonic branch pre-trained on large-scale elastic property data and an anharmonic branch fine-tuned on limited experimental $$\kappa_\mathrm{L}$$ data, enabling effective knowledge transfer and enhanced generalization. High-throughput screening with KappaFormer identifies multiple candidates with ultralow $$\kappa_\mathrm{L}$$, which are further confirmed by first-principles calculations. Physics interpretability further elucidates the vibrational mechanisms governing thermal transport suppression, linking structural motifs to strong anharmonicity. This study provides a generalizable framework for physics-guided machine learning to accelerate the discovery of new materials.
Entre los materiales descubiertos hay algunos que retienen el calor cientos de veces mejor que una ventana de doble acristalamiento; básicamente, un termo casi eterno.
En «Dune», los destiltrajes de los héroes actúan como aislantes térmicos perfectos; hoy, los científicos, con ayuda de la IA, se acercan a crear materiales similares.