El diseño de nuevos materiales es vital para abordar desafíos en materia de salud, energía y sostenibilidad. Históricamente, la combinación de leyes fisicoquímicas junto con ensayo y error ha guiado el diseño de materiales, pero este enfoque está limitado por el coste temporal y económico de realizar experimentos en el laboratorio. El espacio de materiales hipotéticos a considerar es increíblemente grande, y solo una pequeña fracción de los posibles compuestos puede probarse experimentalmente.

El grupo de Gómez Bombarelli explora la conexión entre las simulaciones basadas en la física y el aprendizaje automático (ML), y propone invertir el ciclo de diseño en materiales, aplicando la computación antes de iniciar la experimentación. Las simulaciones atomísticas, mediante técnicas de mecánica cuántica o mecánica estadística, pueden predecir las propiedades de materiales hipotéticos, y mediante simulaciones de alto rendimiento, Gómez Bombarelli puede evaluar millones de candidatos.

Sin embargo, las simulaciones son relativamente costosas y a menudo no alcanzan la precisión necesaria, en comparación con los experimentos. Aquí es donde la sinergia con ML permite un nuevo paradigma: los modelos de aprendizaje máquina reemplazan las simulaciones interpolando entre cálculos preexistentes a una fracción del coste, mientras que la incorporación de leyes físicas garantiza solidez y transferibilidad en el aprendizaje máquina. Otras técnicas avanzadas de aprendizaje máquina como modelos multi-fidelidad que combinan datos simulados y experimentales; aprendizaje activo para adquirir datos donde son más informativos; o algoritmos de diseño inverso, que proponen materiales basados en las propiedades deseadas, invirtiendo el proceso tradicional de predecir propiedades dado el material.

En la práctica, Gómez Bombarelli combina estas herramientas y con colaboradores en el laboratorio, las aplica para el diseño de materiales como péptidos terapéuticos para tratar distrofia muscular; moléculas con las propiedades ópticas deseadas para pantallas de teléfonos y televisiones OLED; catalizadores para el tratamiento de emisiones y moléculas y polímeros para baterías.