Ingenieros del NIMS desarrollan un sistema que captura todos los elementos de prueba y error en el diseño de materiales, permitiendo la reproducción confiable de los procesos de razonamiento y resultados

TSUKUBA, JAPÓN - 22 de abril de 2026 (NEWMEDIAWIRE) - Descubrir y caracterizar nuevos materiales es importante para desbloquear avances en campos como la energía limpia, la fabricación avanzada y la mejora de infraestructuras. Los investigadores utilizan aprendizaje automático y otras herramientas computacionales para ayudarse, pero la naturaleza de prueba y error del proceso crea desafíos específicos. La investigación produce grandes cantidades de datos experimentales y computacionales, y los científicos necesitan herramientas que puedan rastrear y almacenar no solo los resultados sino también la cadena de razonamiento detrás de ellos.

Un nuevo sistema llamado pinax, publicado en la revista Science and Technology of Advanced Materials: Methods, proporciona precisamente esas características. Desarrollado por ingenieros del Instituto Nacional de Ciencia de Materiales de Japón (NIMS), pinax captura todo el proceso de desarrollo de nuevos materiales, incluyendo flujos de trabajo de aprendizaje automático y procesos de toma de decisiones. "Al formalizar tanto los procesos exitosos como los fallidos de prueba y error, pinax mejora la reproducibilidad, la responsabilidad y el intercambio de conocimientos manteniendo una estricta gobernanza de datos", dice Satoshi Minamoto del NIMS, autor principal del estudio.

Los modelos de aprendizaje automático están desempeñando un papel cada vez más importante en el descubrimiento y caracterización de materiales. Si bien los modelos son herramientas poderosas, los procesos de razonamiento que utilizan son generalmente opacos. Los investigadores no saben qué consideraciones y procesos de prueba y error condujeron a sus predicciones finales. "El sistema introducido en este estudio visualiza estos procesos invisibles. Esto permite que otros revisen, verifiquen y construyan sobre el camino hacia las conclusiones", dice Minamoto.

Minamoto destaca la importancia de dicho acceso en aplicaciones donde la seguridad, la reproducibilidad y la responsabilidad son importantes, diciendo que este trabajo "demuestra cómo los sistemas de IA transparentes pueden transformar el descubrimiento científico en una empresa más confiable, eficiente y socialmente responsable".

El equipo probó pinax utilizando dos estudios de caso: uno sobre la predicción de propiedades del acero y otro que utiliza aprendizaje por transferencia para predecir la conductividad térmica de polímeros. El sistema hizo posible vincular las predicciones de rendimiento del modelo con los aspectos específicos de datos o modelos que las influyeron, y reproducir flujos de trabajo complejos y de múltiples etapas. "En particular, el ejemplo de aprendizaje por transferencia destaca la capacidad de pinax para rastrear cómo fluye la información entre conjuntos de datos y modelos entrelazados, haciendo que cada paso en el proceso de razonamiento sea explícitamente rastreable", dice Minamoto.

Los ingenieros planean expandir pinax hacia un sistema autónomo de descubrimiento de materiales en circuito cerrado. Al integrar las capacidades de rastreo de pinax con sistemas experimentales y de simulación automatizados, pretenden crear un circuito que pueda utilizar la generación de datos, modelos de aprendizaje automático y sistemas de toma de decisiones para llevar a cabo sistemática e independientemente todo el ciclo de investigación.

Más información
Satoshi Minamoto
Instituto Nacional de Ciencia de Materiales
minamoto.satoshi@nims.go.jp

Artículo: https://doi.org/10.1080/27660400.2026.2629051

Sobre Science and Technology of Advanced Materials: Methods (STAM-M)

STAM Methods es una revista hermana de acceso abierto de Science and Technology of Advanced Materials (STAM), y se centra en métodos y herramientas emergentes para mejorar y/o acelerar el desarrollo de materiales, como metodología, aparatos, instrumentación, modelado, recopilación de datos de alto rendimiento, informática de materiales/procesos, bases de datos y programación. https://www.tandfonline.com/STAM-M

Dr Kazuya Saito
Director de Publicaciones de STAM Methods
SAITO.Kazuya@nims.go.jp

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para NewMediaWire (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.