Electroquímica e Inteligencia Artificial: la Nueva Revolución en el Diseño de Materiales

Descargas: 0

Autores/as

DOI:

https://doi.org/10.56845/terys.v5i2.744

Palabras clave:

electroquímica, inteligencia artificial, ciencia de materiales, laboratorios autónomos

Resumen

La electroquímica constituye la base de tecnologías clave para la transición energética, como los electrolizadores para la producción de hidrógeno verde, las baterías recargables y los sistemas de protección contra la corrosión. Tradicionalmente, el desarrollo de estos materiales ha dependido del ensayo y error y de cálculos teóricos muy detallados a nivel atómico, estrategias precisas, aunque lentas y costosas. En este contexto, la integración de la electroquímica con la inteligencia artificial (IA), mediante algoritmos de aprendizaje automático, incluidos modelos capaces de representar la estructura atómica de los materiales, está acelerando el descubrimiento y la optimización de catalizadores, electrodos y electrolitos al predecir sus propiedades antes de su síntesis. Además, los laboratorios autónomos integran modelado computacional, robótica y técnicas avanzadas de caracterización para cerrar el ciclo de descubrimiento de materiales. Este artículo ofrece una visión general de estas tendencias y analiza sus principales desafíos, entre ellos la disponibilidad y calidad de los datos, la capacidad de extrapolación de los modelos y la necesidad de una validación experimental rigurosa.

Citas

Abolhasani, M., & Kumacheva, E. (2023). The rise of self-driving labs in chemical and materials sciences. Nature Synthesis, 2(6), 483–492. https://doi.org/10.1038/s44160-022-00231-0

Attia, P. M., Grover, A., Jin, N., Severson, K. A., Markov, T. M., Liao, Y.-H., Chen, M. H., Cheong, B., Perkins, N., Yang, Z., Herring, P. K., Aykol, M., Harris, S. J., Braatz, R. D., Ermon, S., & Chueh, W. C. (2020). Closed-loop optimization of fast-charging protocols for batteries with machine learning. Nature, 578(7795), 397–402. https://doi.org/10.1038/s41586-020-1994-5

Bard, A. J., & Faulkner, L. R. (2001). Electrochemical methods (2.ª ed.). Wiley.

Burger, B., Maffettone, P. M., Gusev, V. V., Aitchison, C. M., Bai, Y., Wang, X., Li, X., Alston, B. M., Li, B., Clowes, R., Rankin, N., Harris, B., Sprick, R. S., & Cooper, A. I. (2020). A mobile robotic chemist. Nature, 583(7815), 237–241. https://doi.org/10.1038/s41586-020-2442-2

Butler, K. T., Davies, D. W., Cartwright, H., Isayev, O., & Walsh, A. (2018). Machine learning for molecular and materials science. Nature, 559(7715), 547–555. https://doi.org/10.1038/s41586-018-0337-2

Chanussot, L., Das, A., Goyal, S., Lavril, T., Shuaibi, M., Riviere, M., Tran, K., Heras-Domingo, J., Ho, C., Hu, W., Palizhati, A., Sriram, A., Wood, B., Yoon, J., Parikh, D., Zitnick, C. L., & Ulissi, Z. (2021). Open Catalyst 2020 (OC20) dataset and community challenges. ACS Catalysis, 11(10), 6059–6072. https://doi.org/10.1021/acscatal.0c04525

Chatenet, M., Pollet, B. G., Dekel, D. R., Dionigi, F., Deseure, J., Millet, P., Braatz, R. D., Bazant, M. Z., Eikerling, M., Staffell, I., Balcombe, P., Shao-Horn, Y., & Schäfer, H. (2022). Water electrolysis: From textbook knowledge to the latest scientific strategies and industrial developments. Chemical Society Reviews, 51(11), 4583–4762. https://doi.org/10.1039/D0CS01079K

Coelho, L. B., Zhang, D., Van Ingelgem, Y., Steckelmacher, D., Nowé, A., & Terryn, H. (2022). Reviewing machine learning of corrosion prediction in a data-oriented perspective. npj Materials Degradation, 6(1), 8. https://doi.org/10.1038/s41529-022-00218-4

Dai, T., Vijayakrishnan, S., Szczypiński, F. T., Ayme, J.-F., Simaei, E., Fellowes, T., Clowes, R., Kotopanov, L., Shields, C. E., Zhou, Z., Ward, J. W., & Cooper, A. I. (2024). Autonomous mobile robots for exploratory synthetic chemistry. Nature, 635(8040), 890–897. https://doi.org/10.1038/s41586-024-08173-7

Deshsorn, K., Lawtrakul, L., & Iamprasertkun, P. (2024). How false data affects machine learning models in electrochemistry? Journal of Power Sources, 597, 234127. https://doi.org/10.1016/j.jpowsour.2024.234127

Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y., & Wang, X. (2024). Unlocking the potential: Machine learning applications in electrocatalyst design for electrochemical hydrogen energy transformation. Chemical Society Reviews, 53(23), 11390–11461. https://doi.org/10.1039/D4CS00844H

Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., & Dahl, G. E. (2017). Neural message passing for quantum chemistry. En D. Precup & Y. W. Teh (Eds.), Proceedings of the 34th International Conference on Machine Learning (Vol. 70, pp. 1263–1272). PMLR. https://proceedings.mlr.press/v70/gilmer17a.html

Kim, J., & Jang, H. W. (2023). Can artificial intelligence boost developing electrocatalysts for efficient water splitting to produce green hydrogen? Korean Journal of Materials Research, 33(5), 175–188. https://doi.org/10.3740/MRSK.2023.33.5.175

MacLeod, B. P., Parlane, F. G. L., Morrissey, T. D., Häse, F., Roch, L. M., Dettelbach, K. E., Moreira, R., Yunker, L. P. E., Rooney, M. B., Deeth, J. R., Lai, V., Ng, G. J., Situ, H., Zhang, R. H., Elliott, M. S., Haley, T. H., Dvorak, D. J., Aspuru-Guzik, A., Hein, J. E., & Berlinguette, C. P. (2020). Self-driving laboratory for accelerated discovery of thin-film materials. Science Advances, 6(20). https://doi.org/10.1126/sciadv.aaz8867

Mai, H., Le, T. C., Chen, D., Winkler, D. A., & Caruso, R. A. (2022). Machine learning for electrocatalyst and photocatalyst design and discovery. Chemical Reviews, 122(16), 13478–13515. https://doi.org/10.1021/acs.chemrev.2c00061

Merchant, A., Batzner, S., Schoenholz, S. S., Aykol, M., Cheon, G., & Cubuk, E. D. (2023). Scaling deep learning for materials discovery. Nature, 624(7990), 80–85. https://doi.org/10.1038/s41586-023-06735-9

Mistry, A., Franco, A. A., Cooper, S. J., Roberts, S. A., & Viswanathan, V. (2021). How machine learning will revolutionize electrochemical sciences. ACS Energy Letters, 1422–1431. https://doi.org/10.1021/acsenergylett.1c00194

Moses, I. A., Barone, V., & Peralta, J. E. (2022). Accelerating the discovery of battery electrode materials through data mining and deep learning models. Journal of Power Sources, 546, 231977. https://doi.org/10.1016/j.jpowsour.2022.231977

Ng, M.-F., Sun, Y., & Seh, Z. W. (2023). Machine learning-inspired battery material innovation. Energy Advances, 2(4), 449–464. https://doi.org/10.1039/D3YA00040K

Nørskov, J. K., Bligaard, T., Rossmeisl, J., & Christensen, C. H. (2009). Towards the computational design of solid catalysts. Nature Chemistry, 1(1), 37–46. https://doi.org/10.1038/nchem.121

Shahriari, B., Swersky, K., Wang, Z., Adams, R. P., & de Freitas, N. (2016). Taking the human out of the loop: A review of Bayesian optimization. Proceedings of the IEEE, 104(1), 148–175. https://doi.org/10.1109/JPROC.2015.2494218

Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K., Zeng, Y., & Ceder, G. (2023). An autonomous laboratory for the accelerated synthesis of inorganic materials. Nature, 624(7990), 86–91. https://doi.org/10.1038/s41586-023-06734-w

Zahrt, A. F., Mo, Y., Nandiwale, K. Y., Shprints, R., Heid, E., & Jensen, K. F. (2022). Machine-learning-guided discovery of electrochemical reactions. Journal of the American Chemical Society, 144(49), 22599–22610. https://doi.org/10.1021/jacs.2c08997

Zhong, X., Gallagher, B., Liu, S., Kailkhura, B., Hiszpanski, A., & Han, T. Y.-J. (2022). Explainable machine learning in materials science. npj Computational Materials, 8(1), 204. https://doi.org/10.1038/s41524-022-00884-7

Descargas

Archivos adicionales

Publicado

2026-10-25

Cómo citar

Benito Santiago, S. E., Reyes Valdez, J. J., Morales Zamudio, L., Lozano Ramírez, T., Lozano Ramírez, L. del R., & Corona Aguilar, J. G. (2026). Electroquímica e Inteligencia Artificial: la Nueva Revolución en el Diseño de Materiales. Tendencias En energías Renovables Y Sustentabilidad, 5(2), 351–358. https://doi.org/10.56845/terys.v5i2.744

Número

Vol. 5 Núm. 2 (2026)

Sección

Artículos de Divulgación Científica

Licencia

Derechos de autor 2026 Sandra Edith Benito-Santiago, Juan Jesús Reyes-Valdez, Luisiana Morales-Zamudio, Tomas Lozano-Ramírez, Lucero del Rocío Lozano-Ramírez, José Guadalupe Corona-Aguilar

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Los autores conservan los derechos de autor de sus trabajos y conceden a la revista Tendencias en Energías Renovables y Sustentabilidad (TERYS) el derecho de primera publicación.

Los artículos se publican bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0), que permite compartir y adaptar el material para cualquier propósito, incluso comercial, siempre que se otorgue el crédito adecuado a los autores y a la revista.

Los autores pueden depositar la versión publicada del artículo en repositorios institucionales o páginas personales, siempre citando la publicación original en TERYS.