Web LiOn (EN)

UnoOne deof losthe camposfields quethat seis prevéexpected deto mayorexpand expansiónmost graciasdue ato lathe evoluciónevolution deof lasnew nuevastechnologies tecnologíasbased basadas en Inteligenciaon Artificial Intelligence (IA)AI) esis elthe descubrimientodiscovery deof nuevosnew materialesmaterials conwith propiedadesdesired deseadas.properties. Concretamente,Specifically, elthe rolrole deof HI-Iberia seis centrafocused enon elthe desarrollodevelopment deof modelosAI demodels IAcapable capacesof deproposing proponermaterials materialesfor parathe elcathode cátodothat quemeet cumplanthe condesired las características deseadas.characteristics.

ElThe AI framework decombines IAthe planteadotechnologies combina las tecnologías deof Deep Reinforcement Learning (DRL) yand Generative Adversarial Networks (GAN) parato entrenartrain modelosmodels capacescapable deof generargenerating materialesmaterials conwith propiedadeschosen elegidas.properties. EstaThis aproximaciónapproach seis basabased enon lathe interactuacióninteraction entrebetween dostwo modelos:models: una ModeloGenerative GenerativoModel quethat proponeproposes materialesmaterials yand una ModeloPredictive PredictivoModel quethat infiereinfers lasthe propiedadesproperties delof the material propuestoproposed porby elthe ModeloGenerative Generativo,Model, asías comowell suas viabilidadits enviability términosin determs estabilidad.of Durantestability. elDuring entrenamiento,the latraining, salidathe deoutput cadaof modeloeach coincidemodel concoincides lawith entradathe delinput contrario,of esthe decir:other, that is:

1. ElThe ModeloGenerative GenerativoModel proponeproposes materialesmaterials combinandoby átomos/moléculascombining defined base definidas.atoms/molecules.
2. ElThe ModeloPredictive PredictivoModel tomatakes esosthese materialesmaterials comoas entradainput eand infiereinfers sustheir propiedadesproperties deof interésinterest (densidadenergy enérgetica,density, voltaje,voltage, temperatura.temperature...) yand lathe estabilidadtheoretical teóricastability delof the material.
3. ElThe ModeloPredictive PredictivoModel devuelve un valorreturns a modovalue deas recompensaa quereward sethat relacionarelates conto lathe distanciadistance entrebetween lasthe propiedadesproperties delof the proposed material propuestoand ythe lasdesired/target propiedades deseadas/objetivo.properties.
4. ElThe ModeloGenerative GenerativoModel tomatakes estethis valorreward devalue recompensaas como guía paraguide dirigirto ladirect búsquedathe ensearch elin espaciothe latentelatent despace materialesof durantematerials elduring entrenamiento.training.

UnaOnce vezthe elGenerative ModeloModel Generativohas hayabeen sidotrained, entrenado,it seráwill capazbe deable proponerto materialespropose conmaterials propiedadeswith deseadas.desired Losproperties. materialesThe sugeridossuggested seránmaterials probadoswill enbe eltested laboratorioin porthe partelaboratory delby Institutothe deInstitute Cienciaof deMaterials MaterialesScience deof Madrid (ICMM), devolviendoreturning la salidathe experimental aloutput to the AI framework deto IAstart paraa iniciarnew unaiteration nuevatowards iteraciónthe haciaprocess elof procesoobtaining desuitable obtenerand materialesreliable adecuadosmaterials yfor confiables para su uso.use.

LaThe búsquedasearch defor materialesdisruptive disruptivosmaterials nowill sólobe seránot masivaonly sinomassive tambiénbut inteligente.also Porintelligent. loTherefore, tanto,a unaharmonious mezclaand armoniosamultidisciplinary ymix multidisciplinariaof depowerful potentesAI algoritmosalgorithms deand IAstate-of-the-art yexperimental técnicastechniques experimentaleswill deensure vanguardiathe asegurarásuccess elof éxitoa denew un nuevocommercialization plan defor comercializaciónthe depresent la presente propuesta.proposal.