El laboratorio de IA de Lila Sciences descubre catalizadores de paladio para hidrógeno verde

Lila Sciences dijo el 25 de septiembre de 2026 que su laboratorio dirigido por IA propuso, sintetizó y evaluó 2.942 catalizadores para hidrógeno verde en tres meses, identificando seis familias de materiales basados en paladio para la reacción de evolución de oxígeno ácida, en el corazón de la producción de hidrógeno.

El equipo de investigación detalló el trabajo en una preimpresión enviada a arXiv el 24 de septiembre de 2026: “Descubrimiento guiado por IA de alto rendimiento de catalizadores de óxido de paladio libres de iridio y rutenio para una evolución de oxígeno ácida duradera”, por Ken J. Jenewein y 20 autores más.

La producción de hidrógeno a partir del agua requiere dos semireacciones: la reacción de evolución de hidrógeno en el cátodo y la reacción de evolución de oxígeno, o OER, en el ánodo. La OER opera a altos potenciales en entornos fuertemente ácidos que disuelven la mayoría de los metales. En los electrolizadores comerciales actuales, el óxido de iridio es el catalizador que mejor sobrevive a esas condiciones manteniéndose activo; el rutenio es una opción menos estable. Ambos se encuentran entre los elementos más escasos de la Tierra, y casi todo el iridio se produce como subproducto de la minería de platino, a solo unas pocas toneladas al año a nivel mundial.

El resultado del paladio

Durante la evaluación de 2.942 óxidos en 53 sistemas de materiales y 26 elementos, la plataforma comenzó a sintetizar y probar composiciones de paladio. Según la empresa, el paladio se había considerado un callejón sin salida para la OER porque se suponía que rendía mal en condiciones ácidas. Los candidatos del modelo fueron composiciones de paladio modificadas en lugar del metal puro, con pequeñas adiciones de otros elementos que transformaron el comportamiento del metal. En la segunda y posteriores campañas, el programa identificó seis familias de materiales basados en paladio en o cerca del frente de Pareto para la OER, lo que representa un equilibrio óptimo entre actividad y estabilidad.

Tras pruebas repetidas de actividad y más de 1.000 horas de pruebas de estabilidad, Lila afirmó que la composición metálica superior rindió de manera comparable al rutenio, un catalizador de OER estándar en la industria. John Gregoire, director de ciencia autónoma de la empresa, dijo que su antiguo grupo en Caltech investigó catalizadores para esta reacción durante 12 años y que habría aconsejado a un estudiante que proponía esta combinación de elementos seguir una dirección más prometedora. “Esta combinación desafía toda sabiduría tradicional,” dijo en el informe de la empresa sobre el trabajo. Rafael Gómez-Bombarelli, director científico de ciencias físicas de Lila y profesor asociado Paul M. Cook de ciencia e ingeniería de materiales en el MIT, comentó que sin confirmación de laboratorio, el equipo habría descartado el resultado como una alucinación.

La preimpresión informa óxidos complejos libres de iridio y rutenio, como InMnPdOx y NiTaPdOx, con catalizadores principales avanzados a validación a largo plazo en ácido sulfúrico 1 M a 10 miliamperios por centímetro cuadrado. Los autores informan que NiTaPdOx operó a un sobrepotencial menor que PdOx en pruebas a largo plazo, aunque ambos eventualmente superaron los 0,5 V: PdOx alrededor de 200 horas y NiTaPdOx alrededor de 470 horas. InMnPdOx mostró una mejora similar del sobrepotencial y lo que los autores describen como un aumento dramático en la estabilidad operativa, manteniendo un sobrepotencial por debajo de 0,5 V durante 1.000 horas de operación.

Los autores afirman que los elementos aditivos favorecen la formación de una nanoestructura asociada con la actividad catalítica mientras estabilizan el paladio contra la corrosión, y que la mayor disponibilidad del paladio en comparación con el iridio y el rutenio ofrece una opción a corto plazo para aliviar las limitaciones de suministro en la generación de hidrógeno electroquímico a gran escala.

Dentro del AI Science Factory

A finales de 2024, el equipo construyó lo que Lila denomina AI Science Factory, o AISF, para llevar a cabo experimentos de electrocatalisis de forma autónoma. El flujo de trabajo funcionó como un bucle cerrado a través de cuatro bloques: síntesis, caracterización previa a la prueba, pruebas y caracterización posterior a la prueba, con datos de cada bloque retroalimentándose al modelo de IA para orientar decisiones futuras. El modelo de razonamiento interno de Lila combina modelos bayesianos, que razonan bien bajo incertidumbre, con modelos de lenguaje que aportan un amplio contexto sobre cómo funciona el mundo; Gómez-Bombarelli afirmó que la interacción entre ambos equilibra la incertidumbre y la ganancia de información.

Cada ciclo comenzaba con la IA analizando el espacio químico y proponiendo recetas para nuevos materiales. El electroquímico Ken Jenewein revisó inicialmente las sugerencias y anuló algunas antes de eliminar su revisión; finalmente, un científico solo verificó que los materiales propuestos fueran seguros antes de la síntesis. Una vez aprobados, el AISF sintetizó 96 catalizadores en paralelo mediante deposición física de vapor, verificó la calidad de cada composición, realizó una evaluación acelerada de OER en ácido midiendo actividad y estabilidad, y luego devolvió los materiales para su caracterización post-mortem.

La integración con un sistema de gestión de información de laboratorio hizo que cada paso y punto de datos fuera rastreable a lo largo de las campañas. La primera campaña, ejecutada mientras la infraestructura aún se desarrollaba, duró cuatro meses; la segunda tomó cuatro semanas.

La empresa informó que su pipeline examinó catalizadores 17 veces más rápido que un laboratorio estándar, procesando alrededor de 240 muestras por semana con una capacidad máxima de 100 muestras por día y ahorrando más del 90 % del tiempo humano por muestra. El preprint describe la plataforma como superior al 90 % de automatización, integrando síntesis combinatoria por sputtering, cribado de alto rendimiento, modelos de aprendizaje automático de composición‑propiedad, optimización adaptativa multi‑objetivo y razonamiento basado en modelos de gran lenguaje con contexto; en la evaluación retrospectiva de los autores, su agente de aprendizaje secuencial avanzó la frontera actividad‑estabilidad más rápido que la optimización bayesiana de política fija o la selección de modelo de lenguaje en contexto.

Limitaciones y próximos pasos

Lila afirma que el resultado es un descubrimiento de ciencia de materiales más que un producto comercial a gran escala, y que cualquier catalizador OER debe funcionar a escala industrial bajo condiciones operativas intensas. Gómez-Bombarelli dijo que el equipo continúa con pruebas de durabilidad a largo plazo y está evaluando, con la guía de IA y equipos de laboratorio, cómo se comporta el material en un factor de forma que se asemeja al uso a escala industrial. El flujo de trabajo tampoco es aún completamente autónomo: para esta campaña, los humanos trasladaron muestras entre máquinas mientras la empresa desarrolla robótica para una operación totalmente autónoma.

Lila Sciences, una startup de IA con sede en Cambridge, se lanzó públicamente en marzo de 2025 con la apuesta declarada de que la IA podría ejecutar todo el método científico — hipótesis, experimento, interpretación e iteración — en laboratorios autónomos controlados por IA. La científica senior Fae Habib Zadeh dijo que el flujo de trabajo de extremo a extremo es generalizable a otras reacciones de electrocatalisis y electrosíntesis, como la creación de amoníaco verde o precursores de plásticos, y que el equipo ya está ejecutando las próximas campañas.