Cada vez que encendemos un coche eléctrico, cargamos el móvil o almacenamos energía solar en una batería, estamos utilizando materiales que no existían hace apenas unas décadas. La transición energética, la electrificación de la movilidad y la búsqueda de dispositivos más sostenibles dependen, en gran medida, de la ciencia de materiales.
Sin embargo, descubrir un material nuevo sigue siendo un proceso lento, costoso e incierto. La mayor parte de los materiales propuestos no supera la fase de laboratorio. En este contexto, los métodos de modelización y simulación computacional, basados en principios físicos y matemáticos, permiten explorar digitalmente el comportamiento de nuevos materiales antes de su síntesis. Estos enfoques, reforzados por el uso de inteligencia artificial (IA) y, en un futuro próximo, por la computación cuántica, están transformando la forma de investigar: permiten explorar millones de combinaciones en el ordenador y pisar el laboratorio solo cuando hay altas probabilidades de éxito.
Además, existe ya una gran cantidad de datos experimentales disponibles en publicaciones científicas, bases de datos abiertas y resultados de proyectos anteriores. El análisis de estos datos mediante IA permite descartar hipótesis inviables sin necesidad de realizar experimentos físicos, lo que ahorra tiempo, recursos y emisiones. No obstante, el uso de estas herramientas requiere una mentalidad crítica y analítica: saber interpretar los resultados, validar los modelos y evitar conclusiones erróneas. Como se suele decir en este ámbito, “conoce la respuesta antes de empezar”.
Del nivel atómico al dispositivo: un enfoque multiescala
Para entender y diseñar nuevos materiales se emplean herramientas de simulación, cada una adecuada para describir diferentes aspectos del comportamiento de la materia:
- Métodos de primeros principios (ab initio): basados en la mecánica cuántica, permiten describir las propiedades electrónicas y energéticas de los materiales sin necesidad de parámetros ajustados. Entre ellos destaca la Teoría del Funcional de la Densidad (DFT), ampliamente utilizada para estudiar estructuras, energías de enlace y mecanismos de reacción a escala atómica.
- Dinámica molecular: técnica que simula el movimiento de átomos y moléculas a lo largo del tiempo, resolviendo sus ecuaciones de movimiento mediante potenciales interatómicos derivados de modelos clásicos o, en algunos casos, de cálculos cuánticos. Es fundamental para analizar fenómenos como la difusión, la estabilidad térmica o las transiciones estructurales.
- Modelos multiescala: estrategias que combinan diferentes métodos (cuánticos, clásicos y continuos) para abarcar desde la escala atómica hasta la macroscópica. Son clave para comprender cómo procesos locales (como una reacción superficial o un defecto estructural) afectan al comportamiento global de un material o dispositivo.
Además, el aprendizaje automático permite desarrollar modelos predictivos que aceleran la exploración de materiales al aproximar propiedades físicas calculadas con métodos rigurosos, pero a un coste computacional mucho menor. La computación cuántica, aún incipiente, representa una oportunidad prometedora a medio plazo para abordar problemas complejos, como la descripción precisa de interfaces o de materiales fuertemente correlacionados, que superan las capacidades de las técnicas actuales..
Baterías: el caso paradigmático
Uno de los campos donde más se ha avanzado gracias a la modelización y a la inteligencia artificial es el de las baterías, especialmente las de ion litio. Un ejemplo destacado es el desarrollo de ánodos enriquecidos con silicio. Este elemento tiene la capacidad de almacenar hasta diez veces más litio que el grafito convencional; sin embargo, sufre grandes expansiones durante los ciclos de carga y descarga, lo que provoca fracturas estructurales. Para solventar este problema, se están estudiando compuestos híbridos que combinan silicio y grafito en proporciones óptimas, diseñadas mediante simulación, con el objetivo de mantener la estabilidad mecánica sin renunciar a una mayor capacidad.
En paralelo, se están investigando alternativas para baterías de iones de sodio. A diferencia del litio, el sodio no se intercala eficazmente en el grafito, por lo que se exploran nuevos materiales como el carbono duro y otras estructuras porosas, que presentan mejor compatibilidad con esta tecnología emergente.
Otra línea de innovación clave es la de los electrolitos sólidos. Frente a los electrolitos líquidos tradicionales, que son inflamables y potencialmente inseguros, se buscan compuestos sólidos —como sulfuros cristalinos o vidrios dopados— que ofrezcan alta conductividad iónica y mayor estabilidad térmica, reduciendo los riesgos operativos.
También avanza el desarrollo de cátodos libres de cobalto, un material escaso y con problemas asociados a su extracción. Compuestos como el fosfato de hierro y litio (LFP) o el óxido de litio, níquel, manganeso (LNMO) se consideran más sostenibles y económicos. Mediante simulación, se optimizan sus propiedades estructurales y electrónicas para alcanzar densidades energéticas competitivas.
Por último, destacan los materiales autorreparables. En el marco de iniciativas europeas como BATTERY 2030+, se impulsan proyectos como HealingBat, centrados en desarrollar electrodos y electrolitos capaces de reparar microfisuras generadas durante los ciclos de carga y descarga. Estos avances permitirán extender significativamente la vida útil de las baterías, reduciendo el número de reemplazos y mejorando la sostenibilidad del sistema completo.
Del experimento al modelo y vuelta
La modelización no pretende sustituir a la experimentación, sino complementarla. El flujo ideal de trabajo incluye:
- La predicción computacional de nuevos materiales.
- Su síntesis y caracterización experimental.
- La validación de los resultados y la retroalimentación al modelo.
Este ciclo permite acortar los tiempos de desarrollo y reduce la necesidad de realizar ensayos por tanteo. Un ejemplo emblemático es el Materials Project, una iniciativa internacional que ha recopilado propiedades teóricas de miles de compuestos y se ha convertido en una herramienta de referencia para investigadoras e investigadores de todo el mundo.
Es importante entender que la simulación no sustituye al laboratorio: lo complementa y lo dirige. Una vez identificados los materiales más prometedores en el entorno virtual, estos deben ser sintetizados, caracterizados y evaluados en condiciones reales. Este ciclo continuo entre modelización y experimentación permite avanzar con mucha mayor precisión y velocidad.
También hay limitaciones. Las simulaciones requieren recursos computacionales intensivos, y su precisión depende de la calidad de los modelos y de los datos empleados. Además, hay propiedades que siguen siendo difíciles de predecir con exactitud, como la degradación a largo plazo o las reacciones no lineales entre componentes.
Aun así, las perspectivas son prometedoras. Con la irrupción de la computación cuántica, la mejora de los algoritmos de inteligencia artificial y la colaboración global entre laboratorios y centros de supercomputación, estamos entrando en una nueva era del descubrimiento de materiales. Una era en la que se podrá diseñar, probar y optimizar materiales en un entorno virtual antes de invertir tiempo y recursos en fabricarlos, beneficiando así a sectores clave para la transición energética y otras industrias estratégicas para nuestro futuro.
El alquimista digital
La ciencia de materiales ha dejado de ser exclusivamente empírica. Hoy, gracias a la simulación computacional y a la inteligencia artificial, el descubrimiento de nuevos materiales se ha se ha enriquecido con una poderosa dimensión digital, guiada por datos, física y algoritmos.
Este nuevo enfoque no reemplaza al laboratorio, sino que lo potencia frente a una pantalla, modelando estructuras atómicas, evaluando millones de combinaciones posibles y guiando el camino hacia soluciones reales. En un mundo que necesita respuestas urgentes a retos complejos, esta sinergia entre lo digital y lo experimental puede ser una de las llaves más importantes hacia un futuro sostenible, eficiente e inteligente.
El uso de técnicas de simulación, IA y computación avanzada está cambiando la forma de descubrir materiales. Se trata de un cambio de paradigma, en el que los modelos digitales orientan el trabajo de laboratorio y permiten tomar decisiones basadas en datos. Este enfoque reduce costes, emisiones y plazos de desarrollo.
Además, democratiza el acceso a la innovación: investigadoras e investigadores de todo el mundo pueden acceder a bases de datos abiertas, participar en proyectos colaborativos y contribuir al avance científico sin necesidad de grandes infraestructuras experimentales.
Sin embargo, la potencia de estas herramientas solo se materializa plenamente si detrás de ellas hay personas expertas capaces de comprender, interpretar y guiar su uso. Formar científicas y científicos con sólida preparación en química cuántica, modelado y análisis crítico es esencial para evitar caer en el riesgo del “garbage in, garbage out” y para asegurar que las simulaciones digitales generen conocimiento fiable y relevante.
Estamos, en definitiva, ante una nueva manera de hacer ciencia, en la que las herramientas digitales y el pensamiento crítico se combinan para afrontar los grandes retos tecnológicos del presente y del futuro.
Sobre la autora
Nuria Gisbert es Doctora en Dirección Empresarial, Conocimiento e Innovación. Actualmente es Directora General de CIC EnergiGUNE.
Sobre el BRTA
Basque Research & Technology Alliance (BRTA) es una alianza que se anticipa a los retos socioeconómicos futuros globales y de Euskadi y que responde a los mismos mediante la investigación y el desarrollo tecnológico, proyectándose internacionalmente. Los centros de BRTA colaboran en la generación de conocimiento y su transferencia a la sociedad e industria vascas para que sean más innovadoras y competitivas. BRTA es una alianza de 17 centros tecnológicos y centros de investigación cooperativa y cuenta con el apoyo del Gobierno Vasco, SPRI y las Diputaciones Forales de Araba, Bizkaia y Gipuzkoa.