10 avances científicos de investigadores de Microsoft

A medida que la IA se convierte en una parte fundamental de la vida cotidiana, los científicos de Microsoft encuentran nuevas y emocionantes maneras de aprovechar su poder transformador para afrontar algunos de los mayores retos de la sociedad.

Desde el diseño de nuevos materiales hasta la identificación de riesgos de inundaciones a través de nubes, los investigadores de Microsoft utilizan la IA para resolver problemas de forma rápida y eficaz. Con la sostenibilidad y la accesibilidad en mente, los investigadores también superan desafíos de formas sorprendentes, como usar algas marinas para reducir las emisiones de carbono del cemento y construir un ordenador eficiente a nivel energético que utiliza sensores de cámara y luz de smartphone.

Majorana 1: El primer procesador cuántico del mundo impulsado por qubits topológicos

Imaginen materiales autorreparables que reparan grietas en puentes o piezas de aviones, catalizadores que pueden descomponer contaminantes en subproductos valiosos — o avances que mejoran la fertilidad del suelo para aumentar los rendimientos o promover el crecimiento sostenible de alimentos en climas hostiles.

Una investigación publicada en Nature a principios de este año detalló cómo los investigadores de Microsoft lograron crear propiedades cuánticas exóticas que dieron lugar a un nuevo tipo de chip cuántico llamado Majorana1. El chip está impulsado por un nuevo tipo de arquitectura cuántica que se espera que logre ordenadores cuánticos capaces de resolver problemas significativos a escala industrial que los ordenadores actuales no pueden — en cuestión de años, en lugar de décadas.

El chip aprovecha el primer topoconductor del mundo, un tipo de material revolucionario que puede observar y controlar partículas de Majorana para producir qubits más fiables y escalables, los bloques básicos de los ordenadores cuánticos. Aunque aún queda trabajo en ingeniería por delante, ya se han superado muchos desafíos científicos y de ingeniería difíciles.

MatterGen y MatterSim: avances impulsados por IA en el descubrimiento de materiales

La innovación en materiales impulsa el progreso tecnológico, desde baterías y pilas de combustible hasta imanes, y es esencial para crear futuros avances energéticos. Pero identificar el siguiente material nuevo ha dependido durante mucho tiempo de experimentos costosos y que consumen mucho tiempo. Incluso el cribado controlado por ordenador requiere evaluar millones de opciones.

MatterGen es una herramienta de IA generativa que omite el cribado y, en su lugar, busca producir materiales novedosos basados en prompts que detallan los requisitos de diseño para aplicaciones específicas, como se explica   en la revista Nature.  Al igual que un generador de imágenes con IA convierte imágenes borrosas en nítidas con un prompt, comienza con una estructura 3D aleatoria y ajusta de manera gradual átomos, elementos y patrones repetidos para crear un material realista con propiedades químicas, mecánicas, electrónicas o magnéticas definidas. Entrenado en más de 600,000 ejemplares, MatterGen alcanza el estado del arte en la generación de materiales inorgánicos a lo largo de la tabla periódica. MatterGen también puede trabajar con MatterSim, una herramienta impulsada por IA que simula con rapidez las propiedades de los materiales. Juntos, pueden crear un bucle de retroalimentación que acelera tanto la simulación como la exploración.

Ordenador óptico analógico: Aceleración de la IA y optimización con luz

Microsoft ha desarrollado un ordenador óptico analógico (AOC, por sus siglas en inglés) que utiliza la luz en lugar de electrónica digital convencional para abordar de forma eficiente problemas complejos de optimización y acelerar la inferencia de IA, el proceso de ejecutar un modelo de IA entrenado para generar resultados, sin formación adicional. Los problemas de optimización buscan encontrar la mejor solución entre posibilidades casi infinitas.

Los hallazgos, publicados en la revista Nature, muestran el potencial de aprovechar la luz para permitir cálculos clave, de manera potencial a una fracción de la energía y a una velocidad mucho mayor que las GPUs utilizadas de manera regular hoy en día. Se construyó con tecnologías existentes y escalables como las micro-LED para ser más asequible y fácil de fabricar con las cadenas de suministro existentes. El prototipo resolvió con éxito dos tipos de problemas de optimización en banca y sanidad: encontrar la forma más eficiente de resolver transacciones bancarias complejas y reducir el tiempo necesario para realizar las resonancias magnéticas.

FCDD: Mejorar el cribado temprano del cáncer de mama con IA

El cáncer de mama es el más común entre las mujeres en todo el mundo. Y aunque el cribado temprano puede salvar vidas, a menudo conduce a altas tasas de falsos positivos, un aumento significativo de la ansiedad en los pacientes y biopsias innecesarias. El problema es en especial agudo en mujeres con tejido mamario denso, una condición que aumenta el riesgo de cáncer de mama y dificulta la detección de anomalías mediante métodos de imagen tradicionales como las mamografías.

Pero un nuevo modelo de IA llamado FCDD (Fully Convolutional Data Description) pretende mejorar la detección precoz a través de la generación de mapas de calor para resonancia magnética que localizan tumores sospechosos con un grado muy alto de precisión, lo que supera a otros modelos de IA. Desarrollado mediante una colaboración entre AI for Good Lab de Microsoft, la Universidad de Washington y el Fred Hutchinson Cancer Center, los hallazgos se publicaron en Radiology, y desde entonces el modelo se ha hecho de código abierto. Aunque la IA no sustituirá a los radiólogos, puede proporcionarles mejores herramientas para evaluar casos difíciles o reducir su carga de trabajo.

BioEmu 1: Predicciones más rápidas de estabilidad proteica podrían conducir a medicamentos más efectivos

Las proteínas constituyen los bloques funcionales de la vida y son centrales para el descubrimiento de fármacos y la biotecnología. Aunque en los últimos años ha habido avances extraordinarios hacia una mejor comprensión de las estructuras proteicas mediante IA, muchos de estos métodos solo ofrecen una instantánea de una molécula con una alta flexibilidad o requieren tiempos de simulación de años o incluso décadas.

Entra en escena Biomolecular Emulator1 (BioEmu1), un modelo generativo de aprendizaje profundo que ofrece a los científicos una visión del rico mundo de diferentes estructuras que cada proteína puede adoptar. Esto es significativo porque un conocimiento más profundo de las proteínas podría permitir el diseño de fármacos más efectivos, ya que muchos medicamentos actúan al influir en las estructuras proteicas para potenciar su función o evitar que causen daños.

Como se explica en la revista Science, BioEmu1 puede generar miles de estructuras proteicas por hora en una única unidad de procesamiento gráfico (GPU, por sus siglas en inglés) a una fracción del coste computacional de las simulaciones tradicionales. A partir de esto, BioEmu1 puede predecir cambios estructurales, relevantes a nivel funcional, de proteínas a una velocidad sin precedentes y predecir la estabilidad de proteínas, un factor importante al diseñar proteínas con fines terapéuticos.

RAD-DINO: Datos de rayos X se encuentran con tecnología de IA

En el sector sanitario, un acceso más rápido a la información puede salvar vidas. Los hallazgos publicados en Nature Machine Intelligence muestran que los modelos de fundamentos de IA generativa pueden ofrecer a los clínicos información más precisa y mejorar la atención al paciente.

Una colaboración entre Microsoft Research y Mayo Clinic se centra en construir modelos de base multimodales que integren texto e imágenes de rayos X. El proyecto combina la tecnología de IA de Microsoft Research con los datos de rayos X de la Clínica Mayo para ayudar a los médicos a obtener datos médicos mejores y más completos, de modo que puedan analizar los resultados de radiología en menos tiempo.

La tecnología, llamada RAD-DINO, recibe su nombre por su enfoque en la radiología y un método específico de aprendizaje por ordenador. Funciona a través de la identificación de coincidencias anatómicas entre las radiografías de tórax de diferentes sujetos, mientras que indica similitudes mediante el brillo proporcional del mapa de calor, que es una superposición visual que utiliza el color para mostrar áreas de interés o importancia en una radiografía, TAC o resonancia magnética y otros tipos de imágenes.

Gestionar el riesgo detrás de la promesa de la IA en la biología

Los avances en IA abren fronteras extraordinarias en la biología. Sin embargo, estas mismas tecnologías también introducen riesgos de bioseguridad y pueden reducir las barreras para diseñar toxinas o patógenos dañinos. Este potencial de «doble uso», donde el mismo conocimiento puede aprovecharse para el bien o para causar daño, plantea un dilema crítico para la ciencia moderna.

Un artículo liderado por Microsoft publicado en Science describe un proyecto confidencial de dos años iniciado a finales de 2023. Investigadores de Microsoft reconocieron que el propio trabajo —que detalla métodos y modos de fallo— podría ser explotado por actores maliciosos si se publicaba de manera abierta. Para guiar las decisiones sobre qué compartir, realizaron una deliberación multiactor que involucró a agencias gubernamentales, organizaciones internacionales de bioseguridad y expertos en políticas.

Los autores también idearon un sistema de acceso escalonado para datos y métodos, implementado en colaboración con la Iniciativa Internacional de Bioseguridad y Bioseguridad para la Ciencia (IBBIS, por sus siglas en inglés). Hasta donde saben, esta es la primera vez que una revista científica líder respalda de manera formal un enfoque de acceso escalonado para gestionar un riesgo de información.

Aurora: Pronóstico atmosférico y meteorológico avanzado

El modelo base de IA Aurora de Microsoft aprovecha los últimos avances en IA para predecir con mayor precisión no solo el clima, sino también una amplia gama de eventos ambientales.

Desarrollado por Microsoft Research, Aurora prevé esta gama de eventos atmosféricos con mayor precisión y rapidez, y a un coste computacional mucho menor en comparación con la predicción numérica tradicional y los enfoques anteriores de IA. Lo que distingue a Aurora es su versatilidad. Puede especializarse mediante ajustes finos para ir más allá de lo que se considera predicción meteorológica tradicional, como predecir la contaminación del aire, las olas oceánicas y los ciclones tropicales.

Aurora aprende a generar pronósticos mediante entrenamiento sobre patrones meteorológicos generales a partir de más de un millón de horas de datos. Y genera pronósticos en segundos, en comparación con los sistemas tradicionales que requieren horas en grandes superordenadores para generar predicciones comparables. Los primeros resultados de Aurora, publicados en Nature, han despertado un interés particular por ver cómo puede adaptarse para predecir mejor la lluvia, mejorar la logística de los cultivos y proteger las redes energéticas. Microsoft sigue con el impulso de Aurora como plataforma de código abierto, al profundizar las alianzas de investigación, a través de una subvención de Microsoft AI for Good y de la inversión en estaciones meteorológicas comunitarias.

El cemento impregnado de algas marinas podría reducir la huella de carbono del hormigón

El mundo moderno está construido con hormigón. Y el cemento, el componente clave del hormigón, está en todas partes. Es el segundo material más utilizado en la Tierra después del agua — y uno de los mayores contribuyentes a las emisiones de gases de efecto invernadero.

Ahora, investigadores de la Universidad de Washington y Microsoft han desarrollado un nuevo tipo de hormigón bajo en carbono hecho de algas marinas, diseñado para reducir las emisiones sin sacrificar el rendimiento.

Aunque la mayoría de las emisiones de cemento provienen de los combustibles fósiles utilizados para calentar materias primas durante la producción, las algas marinas son un sumidero de carbono. Extrae carbono del aire y lo almacena mientras crece. Los hallazgos del equipo, publicados en Matter, mostraron que las algas marinas secas y en polvo mezcladas con cemento tenían un potencial de calentamiento global (GWP, por sus siglas en inglés) un 21% menor, una métrica utilizada para comparar cuánto calor atrapa los gases en comparación con el dióxido de   carbono. Gracias a modelos personalizados de aprendizaje automático, el equipo desarrolló esta nueva formulación en solo 28 días, frente a cinco años más típicos de prueba y error.

El mapeo de inundaciones desde el espacio — incluso cuando las nubes se interponen

Las inundaciones causan daños globales extensos cada año. Aunque las observaciones satelitales han resultado invaluables para la detección y seguimiento de inundaciones, los conjuntos de datos globales completos de inundaciones que abarcan largos periodos siguen escasos, lo que complica la preparación ante desastres.

Pero un modelo de detección de inundaciones de aprendizaje profundo del Microsoft AI for Good Lab aprovecha las capacidades de penetración de nubes de un potente satélite de observación terrestre mediante imágenes de radar, lo que permite a los investigadores cartografiar las áreas afectadas por inundaciones incluso a través de la cobertura de nubes y en la oscuridad de la noche.

Como se explica en Nature Communications, el modelo permitió a los investigadores analizar datos especializados para construir un mapa global que mostrara dónde han ocurrido las inundaciones durante un periodo de 10 años, lo que brinda una imagen fiable de las zonas propensas a inundaciones. Esa visión a largo plazo da a los responsables políticos una mayor comprensión de las tendencias de las inundaciones, para que las comunidades puedan prepararse mejor. El análisis a largo plazo de los investigadores sugiere que las inundaciones globales podrían estar en aumento, aunque se necesita más investigación. Las predicciones y el código del equipo están disponibles a nivel público, para que investigadores y equipos de respuesta de todo el mundo puedan mejorar la monitorización de inundaciones y la respuesta ante desastres.