Este artículo explora cómo las herramientas experimentales de alto rendimiento, los métodos de aprendizaje automático (ML) y las bases de datos públicas de materiales están revolucionando la forma en que descubrimos nuevos materiales. La rápida transición de enfoques experimentales a enfoques basados en IA está habilitando capacidades de "ingeniería inversa" para descubrir nuevos materiales con las propiedades deseadas. Este artículo analiza los diversos principios de los modelos generativos basados en IA aplicables al descubrimiento de materiales y diversos enfoques de representación de materiales para estos modelos. También destaca aplicaciones específicas de los modelos generativos en el diseño de nuevos catalizadores, semiconductores, polímeros o cristales, abordando desafíos como la escasez de datos, el coste computacional, la interpretabilidad, la sintetizabilidad y el sesgo de los conjuntos de datos. Analiza nuevos enfoques para superar las limitaciones e integrar la IA en flujos de trabajo experimentales —incluyendo modelos multimodales, arquitecturas de información física y sistemas de descubrimiento de bucle cerrado— y busca proporcionar información a los investigadores que buscan aprovechar el potencial transformador de la IA para acelerar el descubrimiento de materiales para innovaciones en sostenibilidad, salud y energía.
