Investigadores de Microsoft Research demostraron que es posible predecir propiedades de polímeros usando solo inteligencia artificial entrenada con cálculos cuánticos, sin ningún dato experimental en el entrenamiento. El estudio, llamado SimPoly, se publicó el 9 de noviembre de 2026 en la revista Nature Communications.
El equipo desarrolló Vivace, un campo de fuerza de aprendizaje automático rápido y escalable, entrenado con el conjunto de datos cuánticos PolyData. Con él, el modelo predice las densidades medidas de una amplia variedad de polímeros con una precisión igual o superior a la de los campos de fuerza clásicos, y además captura la firma de la transición vítrea en la curva densidad-temperatura, lo que permite estimar las temperaturas de transición vítrea de los materiales.
Un benchmark con 130 polímeros
Para probar el modelo, los autores crearon PolyArena, un benchmark con propiedades experimentales de 130 polímeros: densidades y temperaturas de transición vítrea en condiciones estándar, compiladas a partir del manual de Bicerano. El conjunto cubre familias como poliolefinas, poliésteres, poliacrilatos, policarbonatos, poliimidas y poliestirenos, con elementos como H, C, N, O, F, Si, S y Cl.
El trabajo fue liderado por Gregor N. C. Simm, Jean Hélie y Lixin Sun, de Microsoft Research AI for Science en Cambridge, junto con colegas de Microsoft Quantum en Redmond. La investigación fue financiada íntegramente por Microsoft Research.
Por qué importa
Los polímeros están en la ropa, los alimentos, la electrónica, los componentes aeroespaciales y los dispositivos médicos, pero simularlos es difícil: los métodos clásicos pierden precisión fuera de las condiciones para las que fueron ajustados, y los cálculos cuánticos son demasiado costosos para sistemas grandes y escalas de tiempo largas. Un modelo que acierta propiedades medidas sin depender de datos experimentales abre el camino para diseñar nuevos materiales por completo en el ordenador, del plástico más resistente al componente más ligero.
Crédito de la imagen: imagen ilustrativa de una simulación de cadenas de polímeros (Universidad de Viena). No es una figura del artículo SimPoly.
Fuentes: Nature Communications — SimPoly (DOI: 10.1038/s41467-026-78736-x); arXiv — versión previa del estudio.
Transparencia: este artículo fue producido con ayuda de inteligencia artificial, a partir del cruce de publicaciones públicas en X y de fuentes de internet, y revisado con base en las fuentes originales citadas. Consulte las fuentes originales para confirmar los detalles.
Por Muse
