La IA generativa reescribe las reglas del descubrimiento científico en Repsol Technology Labs

De años a días. Desvelando los secretos de la materia a velocidad récord

La historia de la humanidad está profundamente entrelazada con el dominio y la transformación de los materiales. Cada etapa de nuestro desarrollo como civilización ha estado marcada por nuestra capacidad para descubrir, moldear y aprovechar nuevas sustancias. Desde la Edad de Piedra, en la que el sílex tallado permitió la fabricación de herramientas y armas primitivas —cambiando para siempre la relación del ser humano con su entorno—, hasta la Edad de los Metales, que trajo consigo la fundición del cobre, el bronce y más tarde el hierro, ampliando exponencialmente nuestras capacidades técnicas, bélicas y arquitectónicas.

Incluso materiales tan comunes hoy como el aluminio fueron en su momento símbolos de exclusividad y progreso. A mediados del siglo XIX, durante el reinado de Napoleón III, el aluminio era más valioso que el oro, reservado para vajillas imperiales y exhibiciones científicas. Este patrón se repite una y otra vez; materiales que hoy consideramos triviales fueron en su día revolucionarios. El teflón, por ejemplo —ese polímero que recubre millones de sartenes en cocinas de todo el mundo— fue descubierto por accidente en 1938, mientras un químico de DuPont investigaba refrigerantes. Lo que nació como un hallazgo fortuito acabó por transformar una industria entera.

La ciencia de materiales frente a la crisis global

Confiar en la intuición, la serendipia o el ensayo y error como motores principales del descubrimiento de materiales es un lujo que la humanidad ya no puede permitirse. Los desafíos actuales —desde la crisis climática y la escasez de recursos naturales, hasta la exploración espacial o la necesidad urgente de soluciones médicas avanzadas y cada vez más rápidas— exigen una aproximación radicalmente distinta, más sistemática, más rápida, más precisa. 

En Repsol Technology Lab, esta urgencia se traduce en objetivos concretos, como la transición hacia un modelo energético más sostenible. Según comenta José Miguel Seoane, Technology Advisor de dicha compañía, «uno de nuestros principales retos es lograr la producción masiva y competitiva de hidrógeno verde, un vector energético limpio, versátil y fundamental para la descarbonización de sectores difíciles de electrificar ». Sin embargo, su obtención eficiente —especialmente a partir de recursos abundantes como el agua de mar— exige un avance crucial, el desarrollo de nuevos catalizadores que superen las limitaciones de los actuales, los cuales dependen en muchos casos de metales preciosos, escasos y costosos. 

«Es por ello que necesitamos materiales significativamente más eficientes, duraderos y asequibles para que el hidrógeno verde sea verdaderamente escalable y viable a nivel global», afirma Seoane.

Sin embargo, el espacio de materiales teóricamente posibles es abrumador. Se estima que existen entre 10¹⁰ y 10⁶⁰ de combinaciones estables de elementos. Para ponerlo en perspectiva, el número de átomos en el universo observable se estima en torno a 10⁸⁰. De esa vastedad, la humanidad ha caracterizado apenas unos pocos millones de compuestos, es decir, aproximadamente 10⁶. Está claro que apenas estamos arañando la superficie.

El cambio de paradigma

Aquí es donde emerge una nueva frontera científica, impulsada por inteligencia artificial generativa, simulaciones cuánticas y la computación en la nube a gran escala, que no sólo está revolucionando la química, sino múltiples ramas de la ciencia. 

Durante más de 50 años, predecir la estructura tridimensional de las proteínas a partir de su secuencia lineal de aminoácidos fue un problema intratable por métodos convencionales, incluso con la asistencia de herramientas informáticas. Esta estructura 3D es lo que determina la función de la proteína. Si no se pliega correctamente no puede funcionar, lo que a menudo causa enfermedades. El problema es que hay una cantidad astronómica de formas posibles en las que una proteína podría plegarse.

Pues bien, AlphaFold, desarrollado por DeepMind -el laboratorio de I+D de Google-, resuelve este problema con una precisión sin precedentes, alcanzando en muchos casos una exactitud comparable a los métodos experimentales de laboratorio, que son mucho más lentos y costosos (como la cristalografía de rayos X o la criomicroscopía electrónica). En 2020, AlphaFold 2 revolucionó la biología al predecir estructuras con alta precisión en minutos, creando una base de datos gratuita con más de 200 millones de proteínas. En 2024, AlphaFold 3 amplió esta capacidad para predecir también cómo las proteínas interactúan con otras moléculas como el ADN y ARN.

Este avance acelera la investigación biomédica y el desarrollo de fármacos. De hecho, por este trabajo pionero en predicción y diseño de proteínas, fue galardonado con el Premio Nobel de Química en 2024.

Si AlphaFold se enfoca en las proteínas, GNoME (acrónimo de Graphical Networks for Materials Exploration) hace lo mismo, pero para el mundo inorgánico.

Este salto no es solo cuantitativo. Entre los nuevos compuestos descubiertos se incluyen más de 52.000 materiales laminares, estructuras bidimensionales con propiedades análogas —y a veces superiores— al grafeno, multiplicando por cincuenta el número de materiales de este tipo previamente conocidos. Además, se han identificado 528 posibles conductores de iones de litio, multiplicando por 25 la variedad disponible, con un impacto potencial enorme en el desarrollo de baterías más eficientes, ligeras y duraderas.

Como explica Javier García-Lasheras, SVP DeepTech en Sngular, «esta revolución no sólo acelera el proceso de descubrimiento, lo transforma desde su raíz. Ya no se trata únicamente de experimentar en laboratorios físicos, sino de modelar comportamientos moleculares, predecir propiedades antes de sintetizar un solo compuesto y explorar millones de combinaciones en busca de soluciones óptimas». Entramos, así, en una nueva era, la Edad de los Materiales Inteligentes.

Una era en la que el conocimiento se acelera, donde cada átomo puede ser simulado, ajustado y optimizado antes de existir. El azar ha dado paso al diseño dirigido. La intuición ha sido reforzada —o incluso superada— por algoritmos capaces de aprender de la naturaleza, explorar espacios imposibles para el ser humano y sugerir estructuras completamente nuevas. Y el tiempo, ese recurso escaso, puede comprimirse gracias a plataformas que procesan modelos complejos en días en lugar de años.

De izquierda a derecha, Israel Olalla, Cloud Customer Engineer Manager de Google Cloud; José Miguel Seoane, Technology Advisor de Repsol Tech Lab, y Javier García-Lasheras, SVP de Deep Tech en Sngular, durante el Google Cloud Summit 2025. 

¿Cómo logra la genAI semejante hazaña?

Dentro del marco del proyecto conjunto entre Sngular y Repsol Technology Lab, esta tecnología se está utilizando, por ejemplo, para modelar la interacción de iones hidroxilo con la superficie de un cristal sintético trimetálico a alta temperatura, un escenario representativo de los procesos catalíticos clave para la producción de hidrógeno verde.

El proceso combina física, datos y aprendizaje profundo en una sinergia sin precedentes. En lugar de calcular desde cero cada posible configuración atómica mediante métodos clásicos —extremadamente precisos, pero también lentos y costosos—, la inteligencia artificial puede «aprender» los principios fundamentales que rigen las interacciones entre átomos y cómo estas interacciones dan lugar a las propiedades macroscópicas de un material. 

Este aprendizaje se nutre de cantidades masivas de datos. Estos datos pueden provenir de simulaciones de mecánica cuántica –que son muy precisas pero muy lentas– o de bases de datos experimentales existentes. La IA digiere esta información y construye un «mapa de conocimiento» interno, que captura con fidelidad las fuerzas que actúan a nivel atómico y que son capaces de razonar sobre elementos del mundo real.

Una vez construidas estas  reglas subyacentes, la IA puede hacer dos cosas extraordinarias. Primero, es capaz de predecir el comportamiento de materiales candidatos en milisegundos, con una precisión comparable a los métodos tradicionales, pero con una velocidad millones de veces superior. Esto permite recorrer espacios de diseño de materiales inmensos en tiempos y costes antes impensables.

Pero la verdadera magia de la IA Generativa va más allá de la predicción; también puede proponer estructuras materiales completamente nuevas (de ahí el apelativo «generativa»). «Es como si un compositor musical, después de estudiar toda la obra de Mozart, Bach y Beethoven, no solo pudiera identificar su estilo, sino componer una nueva sinfonía que suene auténticamente clásica, pero original. La IA generativa puede sugerir combinaciones de elementos y estructuras cristalinas que quizás a ningún científico se le habrían ocurrido, optimizadas para las propiedades que buscamos», expone García-Lasheras.

Unas simulaciones de esta complejidad, utilizando un clúster de supercomputación, llevarían años de trabajo. Ahora, gracias a los potenciales interatómicos desarrollados con Machine Learning (MLIPs) y ejecutando la inferencia en una instancia CPU/GPU/TPU optimizada y de coste eficiente en Google Colab Enterprise, se reduce a días Esta drástica disminución permite explorar una infinidad de posibilidades que antes eran inabordables por motivos económicos y de tiempo, pudiendo formar parte del trabajo diario de cualquier equipo científico.

Este avance no solo permite validar hipótesis con mayor rapidez, lo transforma todo. Ahora se pueden generar miles de escenarios, iterar diseños en tiempo real y explorar composiciones antes impensables, acelerando radicalmente el camino desde la idea hasta el prototipo funcional.

IA + expertise + robótica

En este nuevo paradigma, la inteligencia artificial generativa no reemplaza al conocimiento humano, sino que lo amplifica. Para Seoane «esta  revolución no consiste en sustituir a quienes investigan, sino en liberarles de tareas repetitivas para que puedan centrarse en decisiones estratégicas y en el pensamiento creativo. No se trata de delegar el proceso científico a los algoritmos, sino de establecer una nueva forma de colaboración entre inteligencia artificial, experiencia humana y automatización», señaló.

Este nuevo flujo de trabajo se puede entender como una triple alianza, y así se ha aplicado en Repsol Technology Labs. Inteligencia artificial, expertise humano y robótica. La IA actúa como una exploradora incansable, capaz de generar y evaluar millones de combinaciones en busca de nuevas estructuras materiales con propiedades deseadas. Pero sus resultados no son verdades absolutas, son predicciones altamente informadas que requieren validación y juicio experto.

Es ahí donde entra la mirada de quienes tienen formación científica. Profesionales de la química, la física o la ingeniería de materiales, que aportan lo que la IA todavía no puede replicar, conocimiento del contexto, comprensión práctica, sensibilidad ante las limitaciones reales y la capacidad de interpretar resultados con sentido crítico. Son quienes definen el problema, filtran las propuestas inviables por razones como la toxicidad, los costes de síntesis o la inestabilidad en condiciones reales, y toman las decisiones que guían el proceso. La IA no sustituye su criterio, lo fortalece.

El tercer pilar de esta alianza es la automatización robótica, especialmente relevante en la validación experimental. Tradicionalmente, sintetizar y caracterizar un nuevo material podía requerir semanas o incluso meses. Cuando los modelos de IA generan cientos de candidatos potenciales, el siguiente gran reto es probarlos de forma eficiente. Aquí entran en juego los laboratorios autónomos o self-driving labs, plataformas robotizadas capaces de operar de forma continua, automatizando la síntesis, el testeo y la recolección de datos a gran velocidad.

Lo más potente de este enfoque es su capacidad de aprendizaje continuo. Los datos generados experimentalmente por estos sistemas no solo verifican las predicciones, sino que alimentan de nuevo a los modelos de IA, mejorando su precisión y haciéndolos cada vez más robustos. Se establece así un círculo virtuoso de predicción, experimentación y retroalimentación, donde cada iteración es más rápida y más eficaz que la anterior.

Impacto, visión y el camino a seguir

La colaboración en este proyecto ha servido para confirmar algo fundamental, el diseño de nuevos materiales impulsado por inteligencia artificial y orquestado desde la nube ya no es una idea futurista, sino una realidad tangible. Esta validación técnica demuestra que estamos ante un cambio de paradigma en la forma en que se investiga, se experimenta y se innova.

Desde Sngular, el enfoque ha sido claro, acompañar a las organizaciones como Repsol Technology Lab en la adopción de tecnologías emergentes —como la IA generativa, la simulación cuántica aplicada a la química o la optimización de cargas de trabajo sobre infraestructuras como Google Cloud— y convertir todo ese potencial en soluciones prácticas, escalables y con impacto real. La transformación no pasa solo por la tecnología, sino por saber cómo integrarla de forma efectiva en los procesos existentes.

Uno de los beneficios más significativos es la capacidad de la IA para detectar patrones y relaciones que antes pasaban desapercibidas. Esto no sólo acelera el desarrollo de materiales para aplicaciones ya conocidas —como los catalizadores necesarios para producir hidrógeno verde—, sino que también abre la puerta al descubrimiento de propiedades inesperadas o incluso a la identificación de clases de materiales completamente nuevas. Estamos accediendo a territorios que, hasta hace poco, ni siquiera sabíamos que existían.

El impacto potencial de esta transformación es enorme. Reducir el tiempo de desarrollo de un nuevo catalizador de una década a apenas dos o tres años —o incluso menos— podría cambiar por completo la economía del hidrógeno verde. Hacer que estas tecnologías sean más rápidas, más asequibles y más accesibles tendría efectos multiplicadores en la transición energética global. Y este es solo un caso de uso. Las aplicaciones se extienden a campos tan diversos como la captura directa de carbono, la desalinización de agua, la creación de dispositivos médicos personalizados o el desarrollo de materiales avanzados para una agricultura más sostenible. Los desafíos globales que dependen del descubrimiento de nuevos materiales son innumerables.

Frente a este panorama, la colaboración se vuelve esencial. Ninguna entidad puede liderar esta transformación en solitario. Se requiere la combinación de múltiples capacidades, el conocimiento profundo de los retos industriales y científicos por parte de laboratorios como Repsol Technology Lab; la experiencia en inteligencia artificial, modelado y arquitectura tecnológica que aportan empresas como Sngular; y el acceso a plataformas de computación avanzada e innovación puntera que ofrecen actores como Google. Solo a través de estos ecosistemas interconectados es posible escalar este tipo de soluciones.

Mirando al futuro, se perfila un escenario donde el diseño de materiales se convierte en una disciplina mucho más predictiva, ágil y específica. Un contexto en el que será posible concebir materiales «a la carta», pensados desde el inicio para resolver problemas concretos, igual que hoy diseñamos chips o software para tareas particulares. Esta capacidad transformará profundamente la forma en que innovamos, y marcará un antes y un después en cómo enfrentamos los grandes retos científicos, industriales y medioambientales de nuestra era.

¿Te imaginas llevar este potencial a tu organización?

La combinación de inteligencia artificial generativa, automatización, simulación avanzada y computación en la nube ya está transformando el descubrimiento de nuevos materiales, pero su impacto va mucho más allá. Hablamos de deeptech: de aplicar tecnologías disruptivas para resolver problemas complejos en energía, salud, industria, biotecnología, agricultura o cualquier área donde el conocimiento científico y la ingeniería de vanguardia se conviertan en ventaja competitiva.

En Sngular, ayudamos a empresas, centros de I+D y equipos técnicos a recorrer este camino: desde la fase de exploración tecnológica y diseño de casos de uso, hasta la integración de modelos de IA, entornos cloud escalables y automatización de procesos. Todo ello, con un enfoque colaborativo y adaptado a la realidad de cada organización.

Si quieres descubrir cómo convertir estas capacidades en soluciones reales y medibles —ya sea para acelerar la transición energética, optimizar procesos industriales, innovar en biomedicina o abrir nuevas líneas de negocio basadas en ciencia y tecnología puntera— estamos aquí para escucharte y acompañarte.

Contácta con nosotros y demos juntos el siguiente paso para transformar ideas complejas en impacto real.