Este enfoque intenta resolver uno de los mayores desafíos de la ciencia de materiales: la brecha entre simulación y realidad (Sim2Real), es decir, la diferencia entre lo que funciona en modelos teóricos y lo que realmente funciona en condiciones industriales.
El concepto del GigaLab consiste en llevar ese modelo de laboratorio autónomo a una escala mucho mayor, con múltiples capas tecnológicas integradas en una sola instalación.
Los algoritmos de aprendizaje automático generarían nuevas combinaciones de materiales, optimizarían composiciones químicas y predecirían su rendimiento utilizando datos experimentales y modelos físicos.
Sistemas robóticos ejecutarían de forma continua tareas como síntesis química, manipulación de muestras o preparación de experimentos. La automatización robótica ya se utiliza en numerosos sectores industriales para optimizar procesos de laboratorio y control de calidad.
Equipos analíticos medirían rápidamente propiedades físicas y químicas de cada material candidato, generando grandes conjuntos de datos para validar —o descartar— las predicciones de la IA.
Las simulaciones industriales permiten entrenar robots o probar procesos antes de aplicarlos en el mundo real. Por ejemplo, plataformas de robótica industrial ya integran herramientas de simulación como NVIDIA Omniverse en software de diseño robótico para crear entornos virtuales físicamente realistas.
En conjunto, todo el sistema formaría una cadena continua de descubrimiento científico automatizado.
El desarrollo de esta tecnología se apoya en asociaciones industriales y programas de investigación europeos.
• Hitachi High‑Tech Europe: Dunia anunció una colaboración estratégica para acelerar el desarrollo, caracterización e implementación industrial de materiales funcionales para combustibles sostenibles, química y tecnologías energéticas.
• Programa europeo ASCEND: la empresa participa junto a Siemens Energy, BASF, Helmholtz‑Zentrum Berlin y el Fritz Haber Institute en una iniciativa europea de 30 millones de euros destinada a acelerar la innovación en catalizadores mediante IA, automatización y cooperación industrial.
• Ecosistema de robótica y simulación: tecnologías de robótica industrial y simulación —como las desarrolladas por ABB Robotics o plataformas de simulación basadas en NVIDIA— muestran cómo la automatización avanzada puede integrarse en laboratorios y procesos industriales complejos.
No obstante, la información pública disponible no confirma que todas las empresas que a veces se mencionan en discusiones sobre el proyecto sean socios formales del GigaLab.
Aunque la inteligencia artificial puede generar miles de materiales potenciales, la industria no puede confiar en predicciones sin verificación experimental.
Existen varios motivos clave:
Condiciones reales de síntesis
Un material puede comportarse de forma distinta según cómo se fabrique, debido a impurezas, estructura microscópica o condiciones de producción.
Validación de rendimiento
Los materiales industriales deben probarse bajo condiciones reales de uso, como temperatura, presión, exposición química o ciclos de funcionamiento prolongados.
Escalabilidad y reproducibilidad
Antes de que una empresa adopte un nuevo catalizador o material energético, debe demostrarse que puede fabricarse de forma fiable y económica a gran escala.
Los laboratorios autónomos permiten realizar miles de experimentos controlados, generando los datos necesarios para mejorar los modelos de IA y validar los resultados en condiciones realistas.
El trabajo actual de Dunia se centra especialmente en electrocatalizadores y procesos químicos relacionados con la transición energética, como tecnologías para hidrógeno verde, producción de amoníaco o conversión de CO₂ en productos químicos.
La catálisis es especialmente crítica porque sustenta muchos procesos industriales —desde la producción de combustibles hasta la fabricación de químicos— y pequeñas mejoras en eficiencia pueden tener enormes impactos económicos y ambientales.
Otros sectores que dependen fuertemente de nuevos materiales, como baterías, semiconductores o almacenamiento energético, también podrían beneficiarse de plataformas de descubrimiento acelerado, aunque los programas específicos para esos campos no se han confirmado públicamente para la instalación de Berlín.
Si instalaciones de este tipo se despliegan a gran escala, podrían cambiar la forma en que se realiza la investigación industrial en Europa.
En lugar de pequeños equipos realizando experimentos uno por uno, empresas y centros de investigación podrían acceder a plataformas de descubrimiento tipo “fábrica científica”, capaces de evaluar miles de materiales potenciales en poco tiempo.
La estrategia de Dunia —combinar modelos de IA, experimentación robótica y colaboración industrial— apunta a una tendencia emergente: la creación de infraestructura científica nativa de IA, diseñada para industrializar el descubrimiento tecnológico.
En campos como la energía limpia, los combustibles sostenibles o la fabricación avanzada, acelerar el descubrimiento de materiales podría ser uno de los factores decisivos para la competitividad tecnológica europea.
Comments
0 comments