Marco de optimización bayesiana basado en mapeo de elementos que permite el diseño directo de materiales: un estudio de caso en materiales catódicos tipo NASICON

Atajos más inteligentes hacia baterías mejores

Diseñar nuevos materiales para baterías ha significado tradicionalmente años de ensayo y error en el laboratorio y en el ordenador. Este estudio muestra cómo una estrategia de búsqueda más inteligente puede acelerar dramáticamente ese proceso, combinando estadística y química para identificar ingredientes prometedores para las baterías de ion‑sodio de próxima generación, una alternativa de menor coste a las celdas de ion‑litio actuales.

Por qué necesitamos nuevas recetas para baterías

Las baterías de ion‑litio alimentan teléfonos, portátiles y coches eléctricos, pero el litio es relativamente escaso y caro. Las baterías de ion‑sodio, que usan sodio —el común sal de mesa— en lugar de litio, emergen como una opción más barata y sostenible. Un material de sodio especialmente prometedor, llamado NVPF, ya ofrece carga rápida y alto voltaje de trabajo. Sin embargo, no puede aprovechar completamente todo el sodio disponible, dejando capacidad valiosa sin usar. Al añadir sodio adicional, el material entra en un estado de “exceso de sodio” que es termodinámicamente inestable y funciona fuera del intervalo de voltaje seguro y práctico empleado en dispositivos reales. Estabilizar este estado rico en sodio sin dañar la estructura cristalina es un desafío clave para que las baterías de ion‑sodio sean verdaderamente competitivas.

Un mapa para explorar la tabla periódica

Buscar mejores versiones del NVPF implica probar muchas formas de sustituir átomos de vanadio en su estructura por otros metales. El número de combinaciones posibles crece rápidamente, y probar cada una con simulaciones cuántico‑mecánicas detalladas resulta demasiado costoso. Los autores abordan esto usando optimización bayesiana: una estrategia que elige el siguiente experimento más informativo basándose en lo ya aprendido. Sin embargo, los métodos bayesianos estándar prefieren entradas numéricas suaves, no categorías abruptas como los nombres de los elementos. Para salvar esa brecha, el equipo inventó un esquema de “mapeo de elementos” que traduce cada elemento en un valor numérico continuo que refleja cómo se comporta al reemplazar al vanadio en el NVPF. Estos puntajes, derivados de cálculos cuánticos, capturan qué tan fácilmente cada elemento acepta electrones durante la carga y descarga de la batería.

Convertir la química en un paisaje suave

Con cada elemento codificado como un «puntaje unario» continuo, el conjunto de opciones, antes discreto, se transforma en un paisaje químico suave que la optimización bayesiana puede recorrer. El algoritmo propone un par de elementos para probar, los investigadores calculan cómo esa combinación afecta el perfil de voltaje teórico del material, y después una función de puntuación premia los casos en que todos los voltajes de la batería caen limpiamente dentro de la ventana deseada de 2,5–4,3 voltios. Ese nuevo punto de datos actualiza el modelo estadístico, que entonces sugiere la siguiente combinación más prometedora. Debido a que los puntajes unarios están estrechamente vinculados al comportamiento real de carga del material, el paisaje resultante es relativamente suave y fácil de predecir, lo que permite al optimizador concentrarse rápidamente en las regiones más prometedoras en lugar de vagar a ciegas.

Encontrar mejores cátodos con menos conjeturas

Usando este marco, los autores exploraron mezclas binarias de 35 metales posibles que podrían desempeñar el papel del vanadio en la estructura NVPF. De entre cientos de combinaciones teóricas, su algoritmo necesitó solo 50 iteraciones para descubrir 16 composiciones cuyos voltajes calculados se sitúan dentro de la ventana práctica de la batería. Muchas de estas recetas favorables implicaron paladio, renio, tungsteno o plomo en varias proporciones, pero dos combinaciones destacaron como particularmente realistas cuando se consideraron coste, densidad energética y toxicidad: una mezcla de manganeso con vanadio y otra de cobalto con vanadio. Análisis adicionales de la estructura electrónica mostraron que estas sustituciones ayudan aceptando más carga electrónica que el vanadio puro, especialmente en el estado rico en sodio, lo que contribuye a estabilizar el sodio extra en lugar de desencadenar cambios estructurales dañinos.

Más allá del ensayo y error en el descubrimiento de materiales

Para el público no especializado, la conclusión clave es que los autores han construido una especie de GPS inteligente para la tabla periódica. Convirtiendo cada elemento en un número con sentido químico y alimentándolo en un bucle de optimización bayesiana, pueden localizar materiales catódicos de alto rendimiento con muchas menos simulaciones caras que en búsquedas en rejilla tradicionales o incluso frente a algunos cribados modernos con aprendizaje profundo. En su caso de prueba, este enfoque no solo identificó múltiples nuevas composiciones candidatas para cátodos de baterías de ion‑sodio, sino que también explicó por qué funcionan: porque los elementos elegidos pueden alojar con seguridad más electrones y sodio a voltajes útiles. La misma estrategia podría adaptarse a muchos otros retos en materiales, desde catalizadores hasta aleaciones, siempre que los científicos deban buscar en vastos espacios combinatorios agujas raras y de alto rendimiento en un pajar.

Cita: Park, S., Shim, Y., Hur, J. et al. Element mapping-based Bayesian optimization framework enabling direct materials design: a case study on NASICON-type cathode materials. npj Comput Mater 12, 92 (2026). https://doi.org/10.1038/s41524-026-01958-6

Palabras clave: baterías de ion‑sodio, optimización bayesiana, descubrimiento de materiales, diseño de cátodos, mapeo de elementos