Los métodos convencionales para la predicción de la estructura cristalina en el diseño de materiales requieren un muestreo estructural exhaustivo mediante métodos de minimización de energía, que requieren un alto coste computacional, mediante simulaciones de campos de fuerza o de mecánica cuántica. Si bien los modelos generativos de IA emergentes han demostrado ser muy prometedores para generar estructuras cristalinas realistas con mayor rapidez, la mayoría de los modelos existentes no tienen en cuenta la simetría y la periodicidad inherentes de los materiales cristalinos y se limitan a estructuras que contienen tan solo unas pocas docenas de átomos por celda unitaria. En este artículo, presentamos LEGO-xtal (Generador de Cristales Orientado a la Geometría del Entorno Local), un enfoque generativo de IA con conciencia de simetría que supera estas limitaciones. Este método genera estructuras iniciales utilizando modelos de IA entrenados en un conjunto de datos pequeño y aumentado, y posteriormente las optimiza mediante un descriptor de estructura de aprendizaje automático en lugar de la optimización convencional basada en la energía. Demostramos la eficacia de LEGO-xtal escalando el modelo a más de 1700 estructuras de 25 alótropos de carbono sp2 de baja energía conocidos. Todas estas estructuras se encuentran a menos de 0,5 eV/átomo de la energía fundamental del grafito. Este marco proporciona una estrategia generalizable para el diseño específico de materiales con componentes modulares, como marcos metalorgánicos y materiales de batería de próxima generación.
