>
Actualidad>
Innovación>
MIT presenta CRESt: la plataforma de IA que descubre materiales con 900+ recetas y un catalizador récorddomingo, 13 de septiembre 2026
MIT presenta CRESt: la plataforma de IA que descubre materiales con 900+ recetas y un catalizador récord
CRESt del MIT combina IA, robótica y visión para hallar un catalizador récord tras 3.500 pruebas.
Innovación
Por: Yexika Montilla | 19 de octubre 2025 | 13:18
Pie de foto: CRESt, la plataforma de IA del MIT, combina robótica, visión e interfaz en lenguaje natural para planear y ejecutar experimentos; en tres meses probó 900+ composiciones y 3.500 ensayos en celdas de formiato.
900+ recetas y un catalizador récord
Desarrollada en el MIT, CRESt integra modelos multimodales, robótica y lenguaje natural para planear y ejecutar experimentos. En tres meses, exploró más de 900 composiciones y realizó 3.500 pruebas en celdas de combustible de formiato, detectando anomalías por visión y ajustando ensayos en tiempo real. El equipo reporta un catalizador de ocho elementos con récord de potencia y menor uso de metales preciosos.
CRESt —siglas de Copilot for Real-world Experimental Scientists— es una plataforma de inteligencia artificial desarrollada por investigadores del Instituto Tecnológico de Massachusetts (MIT) para acelerar el descubrimiento de materiales con aplicaciones energéticas. A diferencia de los sistemas que solo predicen con datos tabulares, CRESt lee literatura científica, analiza microestructuras, conversa con los investigadores y opera instrumentación para cerrar el ciclo de la experimentación. El proyecto está liderado por un equipo interdisciplinario que incluye a Zhen Zhang y Ju Li, y su primer gran resultado público se divulgó el 23 de septiembre de 2025 en Nature y el 25 de septiembre de 2025 en MIT News, con detalles de su arquitectura y del caso de estudio en celdas de combustible de formiato.
Cómo funciona: multimodalidad, robótica y decisión estadística
El corazón de CRESt es un modelo multimodal que fusiona composiciones químicas, texto científico e imágenes de microscopía con robótica de laboratorio para preparar, medir y caracterizar muestras de manera autónoma. La interfaz en lenguaje natural permite pedir recetas, iniciar síntesis o ejecutar análisis de imágenes y, a la vez, recibir sugerencias explicadas. Para elegir el siguiente paso, el sistema aplica aprendizaje activo y optimización bayesiana: prioriza experiencias informativas, balancea exploración y explotación y re-estima su mapa de incertidumbre a medida que llegan datos. En paralelo, cámaras y modelos visión-lenguaje vigilan la ejecución, detectan discrepancias milimétricas y proponen correcciones antes de que arruinen una tanda. El resultado es un bucle cerrado que se acerca al criterio humano pero con la velocidad y constancia de un robot.
Los resultados: 900+ composiciones, 3.500 pruebas y un catalizador octonario
En su validación inicial, el equipo aplicó CRESt al desarrollo de catalizadores para celdas de combustible basadas en sal de formiato, un vector prometedor para almacenar y liberar energía. En tres meses, la plataforma exploró más de 900 químicas y llevó a cabo 3.500 pruebas electroquímicas, coordinando un robot de manipulación de líquidos, estaciones de caracterización y análisis de imágenes. El proceso culminó con el hallazgo de un catalizador de ocho elementos que marcó récord de densidad de potencia en una celda de formiato y redujo la proporción de metales preciosos respecto a configuraciones tradicionales de referencia, lo que implica un mejor costo-desempeño para tecnologías de conversión. Los autores subrayan que el avance no es casual: emerge de la búsqueda guiada por el modelo y la capacidad de iterar con evidencias recién medidas.
Por qué importa para la energía y los costos
La ciencia de materiales sufre un cuello de botella clásico: fabricar, medir y entender cada nueva muestra exige días o semanas, y las combinaciones posibles crecen de forma explosiva. CRESt ataca ese límite con tres palancas: más velocidad (automatización), mejor criterio (optimización bayesiana) y más señales (multimodalidad). Para la energía, esto se traduce en identificar catalizadores con menos metales críticos, mejorar el rendimiento por dólar invertido y reducir el tiempo de transferencia desde el laboratorio a prototipos. Además, al monitorizar en tiempo real y diagnosticar fallos de ejecución, el sistema mejora la reproducibilidad, un dolor de cabeza habitual en electrocatálisis y almacenamiento químico. En conjunto, el impacto potencial de CRESt es acortar años de búsqueda a meses, con mejores candidatos para pilas, combustibles sintéticos y procesos industriales descarbonizados.
Limitaciones y próximos pasos
Aunque los resultados son sólidos, los propios autores reconocen que CRESt está en evolución y que su despliegue pleno exige replicación independiente, integración con más equipamiento y validación a escala piloto. El artículo en Nature muestra una versión vigente con Crossmark y delimita su campo de prueba a la oxidación de formiato; extenderlo a otros sistemas —por ejemplo, baterías, amoníaco o CO₂— requerirá adaptar sensores, control de proceso y criterios de selección de recetas. Asimismo, la gestión de datos multimodales y la trazabilidad de decisiones son claves para auditar el comportamiento del sistema en entornos regulados. El equipo prevé trasladar esta metodología a otras líneas de materiales y continuar ampliando la colaboración humano-máquina para que el científico conserve el timón y la IA aumente su alcance.
Qué cambia para los laboratorios y la industria
Para laboratorios académicos, CRESt ofrece una forma de priorizar hipótesis y minimizar ensayo-error con un cuaderno digital que conversa y ejecuta. En centros tecnológicos y empresas, las ventajas pasan por más throughput con el mismo instrumental, mejor control de calidad y aprendizaje transferible entre líneas de producto. La interfaz natural reduce la curva de adopción: nuevos integrantes pueden consultar al sistema y recuperar contexto experimental en segundos, en vez de revisar decenas de informes manuales. Si se confirma su réplica en otros dominios, CRESt facilitará portafolios de materiales con mayor diversidad y tiempos de escalado más cortos, justo lo que reclaman sectores como electromovilidad, química verde y semiconductores de potencia. El reto, como siempre, será gobernanza de datos, propiedad intelectual y estándares de interoperabilidad para ecosistemas mixtos.
Suscribete
Twitter
Facebook
Instagram
Linkedin
Enviar