aLLoyM: un modelo de lenguaje grande para la predicción de diagramas de fases de aleaciones

Enseñar a la IA a leer mapas de metales

Cuando los ingenieros diseñan nuevos metales para motores a reacción, baterías o reactores nucleares, se apoyan en mapas especiales llamados diagramas de fases que muestran qué mezclas de elementos serán sólidas, líquidas o algo intermedio a distintas temperaturas. Crear estos mapas en el laboratorio es lento y costoso. Este estudio presenta un modelo de inteligencia artificial (IA) especializado, aLLoyM, que aprende a leer e incluso a dibujar estos diagramas de fases, con lo que podría acelerar la búsqueda de materiales mejores, más resistentes y más eficientes.

Por qué los mapas de fases importan para la tecnología cotidiana

Los diagramas de fases son como mapas meteorológicos para metales. En lugar de predecir lluvia o sol, muestran dónde las mezclas de elementos se fundirán, endurecerán o formarán diferentes estructuras internas a medida que cambian las condiciones. Estos detalles determinan de forma silenciosa cuán seguro es un puente, cuánto soporta una paleta de turbina a altas temperaturas o cuán estable se mantiene una batería con el tiempo. Pero cartografiar todas las combinaciones posibles de elementos y temperaturas es casi imposible solo con experimentos, porque hay innumerables mezclas que probar y cada una requiere calentamiento, enfriamiento y análisis cuidadoso. Esa brecha entre lo que necesitamos saber y lo que podemos medir es donde la IA puede marcar una diferencia real.

Alimentar datos a un modelo de lenguaje especializado

En lugar de construir otro modelo matemático estrecho, los investigadores ajustaron (fine-tuned) un modelo de lenguaje grande—un tipo de IA normalmente usado para texto—al lenguaje de las aleaciones. Se apoyaron en una base de datos abierta de diagramas de fases calculados por ordenador y convirtieron 837.475 puntos de datos en pares de pregunta y respuesta. Una pregunta típica podría decir: “Plata 46%, aluminio 54% a 900 kelvin: ¿qué fases aparecen?” y la respuesta enumeraría las fases presentes. Utilizando una técnica llamada adaptación de bajo rango, ajustaron solo una pequeña parte del modelo subyacente Mistral para que pudiera manejar tres tipos de tareas a la vez: predecir detalles completos de fases, nombrar qué fases aparecen o sugerir una composición de aleación y temperatura que produzca una fase deseada.

Comprobar si la IA realmente entiende

Para ver si aLLoyM estaba realmente aprendiendo las reglas detrás de los diagramas de fases, el equipo lo evaluó con preguntas de opción múltiple y de respuesta libre (corta). En los problemas de opción múltiple, el modelo tenía que elegir la respuesta correcta entre cuatro opciones. El modelo base sin ajustar rindió apenas por encima del azar. Tras el ajuste, la precisión de aLLoyM aumentó de forma notable en todas las tareas y tanto para aleaciones más sencillas de dos elementos como para las más complejas de tres elementos. En la modalidad más exigente de respuesta libre, donde el modelo debía generar su propio texto en lugar de elegir de una lista, seguía produciendo nombres de fases que coincidían estrechamente con los correctos, incluso para sistemas de aleación que no había visto durante el entrenamiento. El rendimiento fue mejor al extrapolar desde sistemas bien entendidos, y disminuyó para mezclas con comportamiento especialmente complicado en la gama intermedia de composiciones—tal como los expertos humanos también encuentran esas regiones difíciles.

Imaginar nuevos materiales más allá de los experimentos actuales

Una vez entrenado, aLLoyM puede ser solicitado para “dibujar” diagramas de fases de metales que son difíciles o imposibles de estudiar directamente, como mezclas que involucran elementos radiactivos o de vida extremadamente corta. Por ejemplo, el modelo estimó puntos de fusión y tipos estructurales para mezclas de actinio y uranio, y propuso diagramas ternarios para sistemas que aún no se han medido. Algunas de estas predicciones estuvieron sorprendentemente cerca de valores conocidos; otras contenían errores, como identificar mal la estructura cristalina más estable. Los investigadores también vieron al modelo inventar nuevas etiquetas de fase, como algunas que contienen la palabra “WOLF”, y desarrollaron formas de evaluar cuán fiables podrían ser esas sorpresas al sondear la confianza interna del modelo y cómo cambian sus respuestas bajo diferentes ajustes de muestreo.

Qué podría significar esto para los materiales del futuro

Para un no especialista, el mensaje clave es que aLLoyM muestra cómo una IA basada en texto puede entrenarse para razonar sobre el comportamiento de los metales de manera muy similar a un científico de materiales experimentado, pero a mucha mayor velocidad. Aún no es un reemplazo directo de experimentos cuidadosos o de cálculos detallados basados en la física, y todavía puede cometer errores con confianza. Pero a medida que crezcan sus datos de entrenamiento y mejoren sus estimaciones de incertidumbre y las indicaciones (prompts), modelos como aLLoyM podrían ayudar a los investigadores a reducir qué recetas de aleación merece la pena probar en el laboratorio. Esa orientación podría acortar el largo y costoso camino desde la idea de un nuevo material hasta un producto real, influyendo en tecnologías que van desde centrales eléctricas más limpias hasta electrónica de consumo con mayor durabilidad.

Cita: Oikawa, Y., Deffrennes, G., Shimayoshi, R. et al. aLLoyM: a large language model for alloy phase diagram prediction. npj Comput Mater 12, 97 (2026). https://doi.org/10.1038/s41524-026-01966-6

Palabras clave: diagramas de fases de aleaciones, descubrimiento de materiales, modelos de lenguaje grandes, ciencia computacional de materiales, modelado termodinámico