Predir com s'organitzaran els àtoms d'un material nou -el seu grup espacial, la simetria que en determina moltes propietats físiques- és un pas clau per dissenyar materials a mida, però els conjunts de dades amb què s'entrenen els models d'IA per fer-ho pateixen un problema recurrent: hi ha moltes mostres d'unes poques estructures habituals i molt poques de la resta, cosa que fa que els models aprenguin a encertar les estructures comunes i fallin sistemàticament amb les rares.
En un article penjat a arXiv el 12 d'agost, Jongwon Park, Inhyo Lee, Junhyeong Lee i Seunghwa Ryu presenten DyRIS, un marc basat en un agent d'IA que prediu els grups espacials més probables d'una perovskita doble -una família de materials rellevant per a cel·les solars, sensors i catalitzadors- a partir de la seva composició química. El sistema combina una tècnica de sol·licitud amb pocs exemples que diversifica deliberadament els casos que consulta per no acabar esbiaixat cap a les estructures més freqüents, amb un pas d'inferència guiat per regles que incorpora coneixement propi de la cristal·lografia, com l'ordenació dels cations. Amb només la meitat de les dades d'entrenament habituals, DyRIS millora en 3,26 punts percentuals l'encert en les classes minoritàries respecte del model de referència CrabNet, i supera els altres sistemes quan es miren les tres prediccions més probables per a les estructures rares.
És un exemple concret de com corregir un dels problemes més comuns de la IA aplicada a la ciència de materials -l'escassetat de dades per a les estructures menys habituals-, en un àmbit en què els mètodes tradicionals de prova i error de laboratori són lents i cars, i on encertar quina estructura tindrà un material abans de sintetitzar-lo pot estalviar mesos de feina experimental.
És un preprint encara sense revisió per parells, centrat en una única família de materials -les perovskites dobles- i avaluat pels mateixos autors, de manera que caldrà veure si el mètode es generalitza a altres famílies de compostos cristal·lins abans de considerar-lo una eina fiable per al disseny rutinari de materials.