Redactor
La Universidad de Valladolid reunió a investigadores y profesionales de la industria para analizar las aplicaciones de la inteligencia artificial en la fabricación de materiales y los retos de su uso en el ámbito científico
ALBA CALLE PÉREZ | Fotografía: Alba Calle Pérez
La inteligencia artificial se abre paso en la ciencia de materiales con nuevas posibilidades para investigar, diseñar y mejorar los procesos de fabricación. El foro técnico-científico AI and Machine Learning in Material Science, celebrado el 15 de octubre en la Sala de Grados I de la Facultad de Ciencias de la Universidad de Valladolid (UVa), reunió a investigadores y profesionales del sector para compartir experiencias y debatir sobre el papel de estas tecnologías en la industria.
La jornada, organizada por Jorge Torre Ordás, físico e investigador de la UVa, y David Escudero Mancebo, director del Centro de Inteligencia Artificial de la universidad, abordó cuestiones como el aprendizaje automático, la optimización de procesos industriales y la fiabilidad de los datos. A través de diferentes ponencias y una mesa redonda, los participantes analizaron tanto las oportunidades de estas herramientas como las dificultades que todavía plantea su aplicación.
La fabricación de materiales, un proceso conectado
Miguel Gómez Ramírez, AI New Project Manager HTD en HORSE, explicó cómo la inteligencia artificial puede contribuir a mejorar los procesos de fabricación mediante el análisis conjunto de las variables que intervienen en ellos. Según esta perspectiva, las propiedades finales de un material no dependen de un único factor, sino de la relación entre su composición química, su estado inicial y las distintas fases de producción.
En el caso del aluminio, por ejemplo, la presencia de elementos como el estroncio, el magnesio o el hierro puede influir en sus características. También resultan relevantes los tratamientos térmicos, los tiempos de fabricación y las operaciones posteriores. La IA permite estudiar estas relaciones de forma global para comprender mejor qué factores condicionan la calidad del material.
Física e inteligencia artificial para mejorar la soldadura
Otra de las intervenciones se centró en la investigación desarrollada en CIDAUT, la Fundación para la Investigación y Desarrollo en Transporte y Energía, ubicada en el Parque Tecnológico de Boecillo. Adrián, participante vinculado a la entidad, presentó un trabajo sobre la combinación de modelos físicos y aprendizaje automático para optimizar la soldadura por inducción de materiales compuestos termoplásticos reforzados con fibra de carbono, especialmente relevantes para el sector aeroespacial.
La investigación estudia variables como la potencia aplicada para generar corrientes y calor y el tiempo de calentamiento. El objetivo es comprender mejor el comportamiento del proceso y analizar cómo pueden ajustarse sus condiciones. La combinación de conocimiento físico y aprendizaje automático ofrece una vía para estudiar procesos industriales complejos y avanzar en su optimización.
Una perspectiva internacional sobre los materiales avanzados
El encuentro contó también con la participación de Charles John Michael Footer, responsable de Servicios y Productos Avanzados en la empresa tecnológica y de defensa QinetiQ y doctorando en la Universidad de Cambridge. La presencia de Footer aportó una perspectiva internacional y externa a la comunidad universitaria vallisoletana.
Además, su intervención, titulada AI and Machine Learning in Advanced Materials, abordó la relación entre la inteligencia artificial, el aprendizaje automático y los materiales avanzados. Su participación amplió el enfoque del encuentro al incorporar la experiencia de un profesional vinculado a una empresa internacional y a una institución académica de referencia. La presencia de expertos de fuera de la UVa favoreció el intercambio de perspectivas entre la universidad, la investigación y el sector tecnológico.
La mesa redonda pone el foco en la calidad de los datos
La mesa redonda reunió a profesionales del ámbito académico y empresarial, entre ellos Jorge Torre Ordás, Irene Belloso Lorenzo, vinculada a Renault Group, Raúl Gallego Castro, responsable de materiales avanzados en Antolín, y participantes relacionados con HORSE, como Carlos González de Dios y Miguel Gómez Ramírez.
Uno de los asuntos principales fue la necesidad de disponer de datos fiables y bien organizados. Los modelos de inteligencia artificial aprenden a partir de la información que reciben, por lo que los errores, las mediciones incompletas o una clasificación incorrecta pueden afectar a sus resultados. Los participantes señalaron la importancia de revisar, limpiar y documentar los datos antes de utilizarlos.
También se abordó la posibilidad de ampliar los conjuntos de información mediante técnicas como el aumento de datos, que permite generar variaciones de los datos disponibles. Sin embargo, estas técnicas deben aplicarse con cuidado para evitar introducir errores. La calidad de los datos es una condición fundamental para obtener resultados fiables.
La IA necesita comprobaciones científicas
Otro de los temas tratados fue la validación de los resultados generados por los modelos. Una predicción no garantiza que un material pueda fabricarse ni que vaya a ofrecer las propiedades esperadas. Por ello, los resultados deben contrastarse con conocimientos físicos y químicos, pruebas experimentales y técnicas de caracterización.
Los participantes también destacaron las dificultades que pueden aparecer cuando un modelo se enfrenta a situaciones diferentes de aquellas con las que fue entrenado. En estos casos, sus predicciones pueden perder fiabilidad, por lo que resulta esencial comprobar si las conclusiones tienen sentido en el contexto real de aplicación. La inteligencia artificial puede orientar la investigación, pero no sustituye la experimentación ni la validación científica.
La colaboración entre empresas y universidades
La relación entre universidades, centros tecnológicos y empresas ocupó otro espacio del debate. Aunque la colaboración permite compartir conocimientos y desarrollar soluciones, las instituciones no siempre trabajan con los mismos plazos ni persiguen los mismos objetivos. A estas diferencias se suman cuestiones como la confidencialidad de la información, la propiedad intelectual y el acceso a los datos.
Los participantes defendieron la necesidad de definir desde el principio los objetivos, las responsabilidades y las condiciones de uso de la información. También se subrayó la importancia de formar profesionales capaces de combinar conocimientos de materiales, física, química e ingeniería con competencias en inteligencia artificial y análisis de datos. La colaboración entre disciplinas resulta esencial para convertir los avances tecnológicos en aplicaciones útiles para la industria.
La inteligencia artificial generativa, una herramienta con límites
La mesa redonda también abordó el uso de herramientas generativas para resumir documentos, organizar información o facilitar determinadas tareas de investigación. Aunque pueden ahorrar tiempo, los participantes advirtieron de que sus respuestas pueden contener errores y deben revisarse antes de utilizarlas.
Además, el uso de estas herramientas puede estar limitado cuando los proyectos incluyen datos confidenciales que no pueden compartirse con servicios externos. Por ello, los profesionales deben conocer tanto sus posibilidades como sus restricciones. La supervisión humana es necesaria para comprobar los resultados y mantener el control sobre las decisiones.
Una tecnología para mejorar los procesos
A modo de conclusión, la jornada destacó que el valor de la inteligencia artificial no depende únicamente de disponer de nuevos programas, sino de combinarlos con datos de calidad, conocimiento experto y capacidad de experimentación. Su aplicación puede ayudar a acelerar tareas y mejorar procesos, siempre que se utilice con objetivos concretos y se evalúen sus resultados.
El encuentro puso de manifiesto que la IA ya tiene aplicaciones en la ciencia de materiales, aunque todavía existen desafíos relacionados con la fiabilidad de la información, la formación y la colaboración entre instituciones. La inteligencia artificial puede acelerar la investigación, pero son las personas quienes deben orientar sus aplicaciones, comprobar sus resultados y convertirlos en soluciones reales.
Raúl Milán
Helena Masedo
