IBM y Lisboa convierten recetas de síntesis de zeolitas en pasos con un LLM abierto

Qué pasó

• Nature Communications publicó el 29 de octubre de 2026 un método para extraer, de forma automática, los pasos de laboratorio descritos en procedimientos de síntesis química publicados.
• Los autores son cinco investigadores del Instituto Superior Técnico de la Universidad de Lisboa, de IBM Research Europe en Rüschlikon (Suiza) y del centro suizo NCCR Catalysis. Entre ellos están Daniel P. Costa, Matteo Manica, Teodoro Laino y Pedro S. F. Mendes.
• El método no requiere entrenar un modelo con datos etiquetados. El conocimiento del campo se codifica en un conjunto explícito de acciones posibles, como mezclar, calentar o filtrar, y un modelo de lenguaje (LLM) disponible convierte el texto en una secuencia ordenada de esas acciones.
• Lo aplicaron a la síntesis de zeolitas, una familia de materiales porosos que se usa como catalizador y filtro en la industria.

Por qué importa

• Se han publicado millones de procedimientos de síntesis, pero cada artículo los describe a su manera. Eso impide comparar recetas y encontrar patrones que se repiten en los experimentos exitosos.
• Según el artículo, el método supera a las herramientas de código abierto existentes en zeolitas y funciona con LLM abiertos que corren en un computador local, sin enviar datos a un servicio externo.
• También iguala a modelos especializados en los campos para los que esos modelos fueron entrenados, lo que indica que la generalización de los LLM actuales sirve para este tipo de tarea.

El dato

0 ejemplos etiquetados. El flujo de trabajo no necesita un conjunto de entrenamiento anotado a mano, que suele ser la etapa de mayor costo en estos proyectos.

Contexto

Digitalizar procedimientos de laboratorio es un paso previo a automatizar la química. Si los pasos quedan en un formato estándar, se pueden analizar en masa, compararse y, eventualmente, ejecutarse en equipos robotizados.

La aplicación de modelos de IA a la química y los materiales avanza en varias direcciones. En Mamífero contamos cómo Fudan aceleró más de 10 veces la predicción de la densidad de carga de materiales y cómo Pinal diseña proteínas a partir de una frase. OpenAI, por su parte, declaró cumplida su meta de un becario de investigación automatizado. En la química tradicional, en cambio, el trabajo sigue en manos humanas, como cuando en Manchester aislaron el uranocenio.

Qué viene

• Los autores publicaron los algoritmos de forma abierta, para que otros químicos evalúen conjuntos de acciones, comparen LLM y digitalicen sus procedimientos.
• El siguiente paso natural es aplicarlo a otras familias de materiales y medir cuántos errores de extracción quedan sin revisión humana.
• Para laboratorios con poco presupuesto, la posibilidad de usar modelos locales reduce costos y evita compartir datos de investigación con terceros.

Cierre

El trabajo no inventa una zeolita. Ordena lo que ya se sabe para que pueda leerse a escala. Si la extracción es confiable, décadas de recetas dispersas en artículos se vuelven una base de datos que se puede consultar.

Fuentes

• Costa, D. P., Manica, M., Laino, T. y otros, “A training-free, domain-extensible LLM-based approach for automated extraction of standardized preparation procedures”, Nature Communications, 29 de octubre de 2026, DOI 10.1038/s41467-026-78605-7
• Imagen de portada: Koreller, CC BY-SA 4.0, vía Wikimedia Commons

Editado por Rodrigo Cornejo. Quiénes escriben las notas