Experimentación microfluídica autónoma para explorar la inferencia de reacciones y sintetizar nanoplaquetas de doble perovskita

Laboratorios inteligentes que se manejan solos

Imagine un laboratorio de química que puede planificar, ejecutar y aprender de sus propios experimentos mientras usted duerme. Este estudio muestra cómo un laboratorio autónomo de ese tipo puede descubrir rápidamente mejores recetas para diminutos cristales emisores de luz que algún día podrían alimentar pantallas, iluminación y sensores más eficientes.

Por qué importan los cristales diminutos que brillan

Las pantallas modernas, las células solares y los sensores ópticos dependen de materiales que pueden absorber y emitir luz de forma muy controlada. Los nanocristales coloidales son partículas ultrapequeñas cuyo color y brillo se pueden ajustar cambiando sus ingredientes y tamaño. Una familia más reciente de estos materiales, llamadas nanoplaquetas de doble perovskita sin plomo, ofrece emisión lumínica intensa con menor toxicidad que muchas opciones actuales. Pero dar con la receta adecuada es extremadamente difícil porque muchos ingredientes y condiciones de reacción interactúan de forma compleja y no lineal.

El reto de explorar un enorme espacio de recetas

La química tradicional suele cambiar una variable a la vez, como la temperatura del horno o la cantidad de sal en una receta. Para estas nanoplaquetas hay al menos siete perillas clave que ajustar, incluidos las cantidades de varios metales, el disolvente y la temperatura de reacción. Cada perilla puede tomar muchos valores, creando un vasto paisaje de condiciones posibles. Explorar este espacio manualmente es lento y corre el riesgo de pasar por alto las mejores combinaciones. Los autores se propusieron construir un sistema capaz de explorar automáticamente este paisaje, aprender de cada ensayo y dirigirse hacia emisores de luz más brillantes y eficientes.

Un microlaboratorio en un chip que aprende

El equipo creó PoLARIS, una plataforma microfluídica donde las reacciones tienen lugar dentro de diminutas gotas que fluyen por canales estrechos sobre una placa metálica calentada. Bombas controladas por ordenador alimentan corrientes de reactivos iniciales, que se fragmentan en gotas uniformes mediante un líquido portador inerte. Mientras estas gotas recorren un canal en espiral, se calientan y se forman las nanoplaquetas. A valle, sensores ópticos integrados registran en tiempo real cuánto absorbe y emite luz cada gota, mientras un ordenador conectado a la nube registra cada condición y resultado. Un modelo de aprendizaje automático usa este flujo de datos para predecir qué nuevas condiciones son probables de mejorar un proxy de la eficiencia de emisión lumínica y luego selecciona el siguiente lote de experimentos sin intervención humana.

Encontrar emisores de luz mejores, y rápido

Partiendo de 80 recetas iniciales distribuidas de forma amplia, PoLARIS ejecutó 40 rondas de optimización en lazo cerrado, probando 120 condiciones en total durante aproximadamente medio día. El sistema aumentó de forma sostenida el proxy de eficiencia de emisión lumínica del 17 por ciento hasta alrededor del 30 por ciento, y medidas posteriores en muestras purificadas alcanzaron el 45 por ciento. El modelo también topó con límites prácticos como la temperatura máxima segura y los rangos de las bombas, lo que indica que había explotado completamente el espacio permitido. Importante, las condiciones descubiertas por el laboratorio autónomo pudieron transferirse directamente a corridas continuas más largas, demostrando que la receta optimizada era estable y escalable.

Un vistazo al proceso de toma de decisiones

Más allá de encontrar buenas recetas, los investigadores quisieron entender por qué funcionaban. Trataron al modelo de aprendizaje automático entrenado como un gemelo digital de la reacción y usaron una herramienta de análisis que clasifica cuánto influye cada ingrediente y ajuste en la salida lumínica. Esto reveló que el contenido de cesio, la cantidad de una solución de indio más cloruro y la temperatura de reacción eran las palancas más importantes, mientras que otros metales y el disolvente principal jugaron roles menores. Para comprobar estas ideas, realizaron experimentos de flujo dinámico en los que variaron suavemente un ingrediente mientras observaban la señal lumínica en tiempo real. Reducir el cesio atenuó y ensanchó gradualmente la emisión, consistente con más defectos. Cambiar la solución de indio más cloruro mostró un punto óptimo: muy poco o demasiado empeoraba el rendimiento, pero un rango intermedio producía emisión más brillante, más estrecha y con menos fases no deseadas.

Qué significa esto para materiales futuros

Al combinar un microlaboratorio en un chip, lectura óptica en tiempo real y algoritmos de aprendizaje, PoLARIS demuestra cómo los experimentos autónomos pueden tanto descubrir mejores recetas de nanocristales como revelar por qué funcionan. El enfoque transformó una búsqueda de siete dimensiones intimidante en un proceso eficiente y rico en datos que mejoró la emisión lumínica y reveló qué ingredientes importan más. Dado que la misma estrategia puede adaptarse a otros materiales multielemento, ofrece un camino hacia descubrimientos más inteligentes y rápidos de componentes más seguros y eficientes para futuras tecnologías de energía, pantallas y sensores.

Cita: Li, J., Delgado-Licona, F., Liu, Z. et al. Autonomous microfluidic experimentation for exploring reaction inference and synthesizing double perovskite nanoplatelets. Nat Commun 17, 4514 (2026). https://doi.org/10.1038/s41467-026-72765-2

Palabras clave: laboratorio autónomo, microfluidos, nanoplaquetas de perovskita, descubrimiento de materiales, aprendizaje automático en química