El modelo de corrosión de la University of Waterloo encuentra una disyuntiva para el electrolito de baterías

Investigadores de la University of Waterloo probaron 20 condiciones de electrolitos alcalinos y luego utilizaron IA para encontrar un equilibrio entre la velocidad de corrosión del aluminio y la estabilidad electroquímica. El modelo de corrosión de la University of Waterloo seleccionó aproximadamente 1,35 molar de hidróxido de potasio, o KOH, como su punto preferido. Sin embargo, ese resultado no es una receta para una batería terminada. Es un equilibrio generado por el modelo entre dos mediciones de corrosión bajo condiciones de laboratorio estrictamente controladas.

Esa distinción genera la tensión central. Las baterías de aluminio-aire ofrecen una elevada energía teórica por unidad de metal activo, pero los electrolitos alcalinos también consumen el aluminio cuando la celda está inactiva. Una alcalinidad más fuerte puede favorecer la actividad electroquímica al tiempo que acelera la disolución no deseada y la producción de hidrógeno. Por tanto, seleccionar un electrolito implica gestionar objetivos contrapuestos, no simplemente minimizar una cifra.

El equipo sustituyó parte de ese proceso de prueba y error por una red neuronal artificial y dos métodos de optimización genética. Su estudio, publicado el 10 de julio de 2026 en Frontiers, informa puntuaciones de predicción superiores a 0,999 dentro del conjunto de datos compilado. No obstante, los investigadores no probaron el rendimiento de descarga de baterías completas, el ciclaje a largo plazo ni el funcionamiento fuera del rango químico medido.

El resultado cuestiona dos estrategias de desarrollo habituales. Una se basa en probar muchas formulaciones y elegir un electrolito viable a partir de experimentos discretos. La otra considera que la menor velocidad de corrosión prevista es la respuesta evidente. El trabajo de Waterloo sostiene que ninguno de los dos enfoques capta el problema de diseño completo porque el potencial de corrosión y la corriente de corrosión no siempre pueden mejorar a la vez.

El modelo de corrosión de la University of Waterloo cambia la selección de electrolitos

El cambio importante no es que la IA predijera la corrosión. Es que la optimización convirtió un conjunto de mediciones de laboratorio en una condición de electrolito específica y comprobable.

Yasmin Shabeer, Seyed Saeed Madani, Satyam Panchal y Michael Fowler estudiaron una aleación comercial de aluminio, magnesio y silicio. El trabajo procedía del Department of Chemical Engineering de la University of Waterloo. La financiación incluyó el programa Canada Research Chair y el Natural Sciences and Engineering Research Council of Canada.

Los investigadores expusieron muestras de aleación a soluciones de hidróxido de sodio, o NaOH, y KOH. Cada electrolito se probó en concentraciones de 1 a 10 molar. Las pruebas se realizaron a 25 grados Celsius en una celda de tres electrodos, utilizando la aleación de aluminio como electrodo de trabajo.

Cada experimento comenzó con 15 minutos de estabilización a circuito abierto. A continuación, el equipo utilizó polarización potenciodinámica, que mide la corriente mientras barre el voltaje aplicado, para estimar el comportamiento de corrosión. La espectroscopia de impedancia electroquímica examinó cómo la interfaz metal-electrolito resistía una pequeña señal alterna a distintas frecuencias.

Dos resultados sustentaron el análisis. El potencial de corrosión, escrito como Ecorr, indica la tendencia electroquímica asociada a la corrosión en las condiciones de prueba. La densidad de corriente de corrosión, o Icorr, sirve como indicador comparativo de la velocidad de la reacción de corrosión.

Estas mediciones no describen propiedades idénticas. Un potencial de corrosión menos negativo puede parecer favorable, mientras que una densidad de corriente creciente indica una pérdida de material más rápida. Esa separación explica por qué elegir la mejor concentración a partir de una única clasificación puede inducir a error a los investigadores.

Los experimentos también revelaron que la identidad del electrolito importaba. A concentraciones equivalentes, el KOH generalmente produjo un potencial de corrosión más negativo y una densidad de corriente de corrosión mayor que el NaOH. El artículo vincula esta diferencia a efectos dependientes del catión relacionados con la movilidad iónica, la hidratación y la doble capa eléctrica cercana a la superficie metálica.

Una concentración más alta no produjo una respuesta lineal simple. La alcalinidad baja a moderada promovió la activación anódica, mientras que las concentraciones altas mostraron un comportamiento limitado por el transporte y por la interfaz. En términos prácticos, añadir más hidróxido terminó por dejar de producir cambios electroquímicos proporcionales.

La difracción de rayos X no detectó productos de corrosión cristalinos tras la exposición. Los autores interpretan ese resultado como una disolución continua de la superficie acompañada principalmente de películas superficiales amorfas o de corta duración. También deja una laguna, porque la difracción de rayos X no puede describir por completo la forma de la corrosión, el desarrollo de picaduras ni la química superficial a escala nanométrica.

Los investigadores entrenaron una red neuronal artificial con los datos electroquímicos. Sus cinco entradas representaban el tipo de electrolito, la concentración, la temperatura, el potencial aplicado y la densidad de corriente medida. Sus dos objetivos eran Ecorr e Icorr.

Una búsqueda en cuadrícula evaluó 351 configuraciones de redes neuronales. La red seleccionada contenía tres capas ocultas con 20, 25 y 25 neuronas. Utilizaba el algoritmo de entrenamiento Adam, una tasa de aprendizaje de 0,001 y 500 épocas de entrenamiento.

El estudio informa valores de R-cuadrado superiores a 0,999 para ambas salidas previstas. R-cuadrado mide hasta qué punto las predicciones siguen la variación de los datos de referencia del modelo. Un valor tan alto indica un ajuste estrecho dentro de este conjunto de datos, pero no establece precisión en otras aleaciones o entornos operativos.

Ese modelo entrenado se convirtió en un sustituto rápido de los experimentos. En lugar de probar físicamente cada concentración intermedia, los algoritmos de optimización podían consultar el comportamiento de corrosión previsto en un espacio de búsqueda continuo. El proceso produjo un punto operativo propuesto entre los incrementos originales de un molar.

Por eso importa el modelo de corrosión de la University of Waterloo. Hizo más que reproducir resultados medidos. Generó una hipótesis más acotada que los investigadores pueden poner a prueba con experimentos específicos.

Por qué las baterías de aluminio-aire necesitan un compromiso, no un mínimo

Un electrolito para baterías de aluminio-aire debe ayudar al ánodo a liberar energía útil sin consumir demasiado metal mediante corrosión parasitaria.

En una celda de aluminio-aire, el aluminio se oxida en el ánodo mientras el oxígeno participa en la reacción del cátodo. La arquitectura toma uno de los reactivos del aire ambiente, lo que ayuda a reducir la masa transportada dentro del sistema. El aluminio también tiene una densidad energética gravimétrica teórica de 8,1 kilovatios-hora por kilogramo como material activo.

Esa cifra teórica no equivale a la energía práctica de la celda. El hardware, el electrolito, los componentes del cátodo, la utilización incompleta y las reacciones secundarias reducen el rendimiento a nivel de sistema. Aun así, el potencial subyacente mantiene relevante a la química de aluminio-aire para aplicaciones en las que la energía almacenada importa más que una simple recarga eléctrica.

El electrolito cumple varias funciones a la vez. Transporta iones, favorece la disolución del aluminio durante una descarga útil e influye en los productos de reacción en el ánodo. Sin embargo, las soluciones alcalinas concentradas también pueden atacar el aluminio mientras la celda está en reposo.

Esa reacción no deseada consume material activo sin entregar corriente útil a una carga externa. También puede liberar hidrógeno, lo que genera preocupaciones sobre eficiencia, gestión de presión y seguridad. Por ello, el artículo de la University of Waterloo trata la corrosión como una variable de diseño, no como un problema cosmético de materiales.

Este problema diferencia los sistemas de aluminio-aire de las baterías convencionales recargables de ion-litio. En muchos diseños de aluminio-aire, restaurar la capacidad requiere el reemplazo mecánico o el reciclaje del ánodo de aluminio consumido. Cada gramo perdido por autocorrosión reduce el rendimiento útil de ese ciclo de reemplazo.

La concentración del electrolito plantea una elección especialmente difícil. Una solución débil puede restringir el transporte iónico o la cinética útil de reacción. Una solución más agresiva puede mejorar la actividad electroquímica mientras acelera la disolución durante el funcionamiento o los periodos de inactividad.

El equipo de Waterloo formalizó ese conflicto con dos objetivos. La optimización buscó reducir Icorr mientras desplazaba Ecorr hacia un valor menos negativo. Mejorar un objetivo acababa deteriorando el otro, creando un conjunto de soluciones no dominadas denominado frente de Pareto.

Un frente de Pareto contiene opciones en las que ningún objetivo puede mejorar sin empeorar otro. Los investigadores seleccionaron su punto de inflexión, donde una mejora adicional del potencial de corrosión requería un aumento desproporcionado de la corriente de corrosión. Ese punto apareció cerca de 1,35 M de KOH.

Los valores previstos en esa concentración fueron un Ecorr de menos 1,6199 voltios y un Icorr de 0,0876 amperios por centímetro cuadrado. Estas cifras deben interpretarse conjuntamente. Ninguna de las dos mediciones por sí sola explica por qué el algoritmo prefirió esa condición.

Es importante señalar que el KOH no fue el electrolito más suave en los experimentos equivalentes. El estudio observó en general una corrosión más agresiva en KOH que en NaOH a molaridades equivalentes. Sin embargo, el optimizador seleccionó una condición de KOH porque buscaba un equilibrio concreto entre ambos objetivos.

Esa aparente contradicción es el resultado más útil del estudio. Muestra por qué «la menor corrosión» es una instrucción de diseño incompleta. Una condición que reduce un indicador puede producir un potencial electroquímico desfavorable o limitar la actividad útil del ánodo.

Investigaciones anteriores ya han establecido la corrosión como un cuello de botella en múltiples diseños de baterías. Una amplia revisión sobre colectores de corriente describe cómo la composición del electrolito, el voltaje, la temperatura y las propiedades de la superficie del aluminio afectan a la disolución en celdas basadas en litio. El componente y el mecanismo difieren de los de un ánodo de aluminio-aire, pero la lección de ingeniería es similar: los beneficios del electrolito no pueden separarse de la compatibilidad con el metal.

Para los desarrolladores de baterías de aluminio-aire, la presión es inmediata. Necesitan formulaciones de electrolito que favorezcan una descarga útil, limiten las pérdidas en reposo, gestionen el hidrógeno y toleren impurezas. Un modelo que acota el espacio de búsqueda puede ahorrar experimentos, pero solo si sus objetivos coinciden con los requisitos de la batería final.

Cómo la IA encontró el equilibrio de 1,35 M de KOH

La contribución del modelo procede de combinar predicción no lineal con un método de búsqueda que preserva objetivos de corrosión contrapuestos.

La red neuronal artificial aprendió relaciones entre las variables electroquímicas registradas. Las redes neuronales son útiles cuando las entradas y salidas interactúan de forma no lineal, como ocurrió a lo largo del rango de concentraciones. El modelo no partía de una ecuación física completa para cada reacción superficial.

El proceso de entrenamiento primero normalizó las variables para que pudieran compararse valores en escalas distintas. Después, los investigadores variaron la profundidad de las capas, el número de neuronas, las tasas de aprendizaje y un parámetro del optimizador Adam. Esta búsqueda estructurada identificó una configuración que reproducía estrechamente los objetivos disponibles.

Los valores de R-cuadrado comunicados para entrenamiento, prueba y validación de Icorr fueron 0,99975, 0,99975 y 0,99970. Una comparación expresada en unidades físicas produjo un valor de R-cuadrado de 0,99974. Estos resultados sugieren poco error visible dentro de la partición de datos del estudio.

El siguiente paso utilizó el modelo como un predictor de bajo coste. Un algoritmo genético estándar buscó una única solución tras combinar los dos objetivos con ponderaciones iguales. Los algoritmos genéticos imitan la selección, el cruce y la mutación para mejorar soluciones candidatas a lo largo de generaciones repetidas.

La ponderación igualitaria introduce un juicio de valor. Supone que el potencial de corrosión y la densidad de corriente merecen una influencia equivalente tras la normalización. Un esquema de ponderación distinto podría favorecer otra región del espacio de diseño.

Por ello, el equipo añadió NSGA-II, un algoritmo genético multiobjetivo que no reduce ambos objetivos a una única puntuación ponderada. Conservó un conjunto de condiciones de electrolito no dominadas y expuso la disyuntiva entre ellas. El punto de rodilla representaba el candidato más cercano a una combinación idealizada de Ecorr máximo e Icorr mínimo.

Ambos enfoques de optimización convergieron cerca de 1.35 M de KOH. El método escalar predijo un Ecorr próximo a menos 1.619876 voltios y un Icorr de 0.087859 amperios por centímetro cuadrado. NSGA-II obtuvo prácticamente la misma ubicación y mediciones.

La coincidencia entre dos estrategias de optimización hace que el punto seleccionado dependa menos de una única formulación matemática. Sin embargo, no proporciona una validación experimental independiente, ya que ambos métodos consultaron la misma red neuronal entrenada.

Esta diferencia importa al interpretar el modelo de corrosión de la University of Waterloo. La convergencia demuestra consistencia interna entre métodos de optimización. No demuestra que una celda física operada con 1.35 M de KOH supere a todas las alternativas.

El enfoque sigue ofreciendo un cambio práctico en la planificación de laboratorio. El cribado tradicional probaría concentraciones en intervalos predefinidos, compararía las mediciones y elegiría otro conjunto de experimentos. Un modelo sustituto entrenado puede explorar primero valores intermedios, lo que permite a los investigadores dedicar el tiempo de laboratorio a los candidatos más informativos.

Esta estrategia se asemeja al aprendizaje activo, en el que un modelo ayuda a elegir el siguiente experimento en vez de analizar pasivamente un conjunto de datos ya completado. El presente artículo no informó de un ciclo repetitivo de aprendizaje activo. Aun así, su flujo de trabajo sienta las bases para uno.

Un sistema futuro podría probar el óptimo predicho, añadir ese resultado al conjunto de datos y reentrenar el modelo. Después, los investigadores podrían muestrear áreas donde la incertidumbre siga siendo alta. Repetir ese ciclo revelaría si el aparente punto de rodilla se mantiene estable a medida que aumenta la evidencia.

La IA se utiliza cada vez más para problemas relacionados con baterías, incluida la predicción de propiedades de electrolitos, el cribado de materiales y el análisis de interfaces. Una revisión sobre IA para baterías de 2026 destaca las mismas oportunidades, al tiempo que identifica la calidad limitada de los datos, la generalización y la interpretabilidad como obstáculos persistentes.

Estos obstáculos son especialmente importantes en la corrosión. La preparación de la superficie, la composición de la aleación, las impurezas disueltas, el flujo, la temperatura y los protocolos de ensayo pueden alterar el comportamiento medido. Un modelo puede ajustarse estrechamente a un experimento controlado sin captar todas las variables presentes en un sistema en funcionamiento.

Por ello, el flujo de trabajo de Waterloo se entiende mejor como una optimización guiada por experimentos que como un descubrimiento químico autónomo. Los humanos definieron las familias de electrolitos, el intervalo de concentraciones, el procedimiento de ensayo, las variables objetivo y la regla de compromiso preferida. La IA buscó eficientemente dentro de esos límites.

Para los equipos de ingeniería, esta división del trabajo es valiosa. Los modelos pueden conservar relaciones experimentales complejas y priorizar pruebas de seguimiento. Los investigadores siguen decidiendo si el objetivo del modelo representa el valor de la batería.

Las predicciones casi perfectas no equivalen a una batería mejor

El ajuste excepcional del modelo es también la razón por la que sus límites merecen una atención estrecha.

Un valor de R cuadrado superior a 0.999 parece concluyente. Sin embargo, la calidad de la predicción depende de la relación entre los datos de entrenamiento y la pregunta planteada. El conjunto de datos del estudio procedía de una aleación comercial de aluminio-magnesio-silicio, dos electrolitos de hidróxido y una temperatura.

El intervalo de concentraciones era amplio, de 1 a 10 M. Sin embargo, la cuadrícula experimental subyacente seguía siendo estructurada y químicamente limitada. No se pidió al modelo que generalizara entre numerosas familias de aleaciones, aditivos, contaminantes, temperaturas o diseños de cátodos de aire.

Algunas entradas también requieren una interpretación cuidadosa. El potencial aplicado y la densidad de corriente medida se incluyeron entre las cinco características predictivas. Icorr era una de las salidas. Las relaciones entre variables eléctricas conectadas experimentalmente pueden favorecer una interpolación precisa, pero ofrecer menos confianza en nuevos regímenes operativos.

El artículo indica que sus datos se dividieron en subconjuntos de entrenamiento, prueba y validación. Las divisiones aleatorias o estrechamente relacionadas pueden colocar mediciones de condiciones experimentales similares en cada subconjunto. Eso genera una prueba exigente del ajuste numérico, pero no necesariamente una prueba rigurosa de extrapolación química.

Una prueba externa más sólida reservaría una región completa de concentración, una familia de electrolitos, una composición de aleación o una campaña experimental. Los investigadores podrían entonces examinar si el modelo predice condiciones que no encontró de cerca durante el entrenamiento. Los resultados publicados no establecen ese nivel de generalización.

La concentración optimizada de 1.35 M añade otro requisito de verificación. Los experimentos originales utilizaron soluciones de 1 a 10 M, mientras que el modelo buscó continuamente entre puntos medidos. Un experimento directo a 1.35 M determinaría si el punto de rodilla predicho resiste la prueba física.

Los autores también afirman que las correlaciones directas con el rendimiento de descarga de aluminio-aire quedaban fuera del alcance del estudio. No se utilizó una celda completa para demostrar una mayor energía suministrada, una vida útil mejorada, una acumulación de gas más lenta o una mayor duración operativa en la condición seleccionada.

El potencial de corrosión y la densidad de corriente de corrosión son indicadores valiosos, pero una batería tiene más restricciones. Necesita conductividad iónica adecuada, transporte de oxígeno, estabilidad del cátodo, voltaje de descarga, productos de reacción manejables y un comportamiento aceptable en el intervalo de temperatura previsto.

La superficie de prueba introduce otro límite. Las muestras se lijaron mecánicamente, se limpiaron con etanol y se expusieron en un área de 0.79 centímetros cuadrados. Los electrodos comerciales pueden tener áreas mayores, acabados distintos, residuos de fabricación, estructuras de grano e impurezas de aleación diferentes.

El equipo repitió las mediciones electroquímicas al menos tres veces e informó tendencias consistentes. Esto respalda la reproducibilidad dentro del procedimiento elegido. No elimina la incertidumbre del escalado.

El uso de barridos de polarización continuos introduce otra salvedad. Los investigadores explican que Ecorr e Icorr se utilizaron para análisis comparativos, en lugar de una determinación cinética estricta a partir de regiones de Tafel ideales. Por tanto, los lectores deberían evitar tratar los valores de corriente como predicciones universales de vida útil.

La evidencia de la superficie también sigue siendo incompleta. La difracción de rayos X no encontró productos de corrosión cristalinos, lo que respalda la interpretación de disolución continua y películas amorfas. Los autores piden microscopía electrónica de barrido o microscopía óptica para aclarar la morfología de la corrosión.

Este seguimiento importa porque densidades de corriente medias iguales pueden ocultar patrones de fallo distintos. La disolución amplia y uniforme puede afectar a un electrodo de manera diferente que las picaduras o grietas localizadas. Un modelo entrenado solo con mediciones eléctricas resumidas no puede distinguir esos resultados sin etiquetas de superficie correspondientes.

El objetivo de optimización también merece escrutinio. El punto de rodilla es un compromiso matemático entre Ecorr e Icorr, no una definición universal del rendimiento de una batería. Una unidad de respaldo estacionaria, un extensor de autonomía y una fuente de energía de campo desechable pueden asignar valores distintos a la vida útil, la potencia máxima y la gestión de gases.

Los investigadores también podrían preferir NaOH por motivos que van más allá de los dos objetivos modelados. El estudio observó una menor agresividad corrosiva con NaOH a concentraciones equivalentes. La compatibilidad de materiales, las consideraciones de suministro, el comportamiento frente a la congelación, la conductividad y el reciclaje posterior podrían alterar una elección a nivel de sistema.

Investigaciones comparables sobre baterías muestran por qué es necesaria una validación más amplia. Un estudio de referencia sobre colectores de corriente de aluminio encontró una estabilidad marcadamente diferente en cinco electrolitos líquidos. Aunque ese trabajo abordó colectores de baterías de ion-litio, ilustra cómo cambiar sales o disolventes puede revertir conclusiones extraídas de una sola familia química.

El aprendizaje automático puede reducir el número de experimentos necesarios para localizar condiciones prometedoras. No puede volver irrelevantes las variables excluidas. Una interpolación casi perfecta debería impulsar pruebas físicas más específicas, no menos.

Tres pruebas mostrarán si el modelo importa

El resultado de Waterloo solo adquiere importancia si su compromiso predicho resiste experimentos directos, una química más amplia y la operación de una celda completa.

La primera señal es una prueba física con aproximadamente 1.35 M de KOH. Los investigadores deberían repetir las mediciones de polarización e impedancia en esa concentración exacta, en lugar de depender de la interpolación entre molaridades enteras. La confirmación reforzaría la afirmación de que el modelo encontró un punto de rodilla electroquímico real.

Esa prueba debería incluir concentraciones vecinas. Un barrido estrecho alrededor del punto propuesto revelaría si 1.35 M marca un óptimo estable o una respuesta matemáticamente precisa sobre una curva poco pronunciada. La replicación con lotes de electrolito preparados por separado pondría aún más a prueba la sensibilidad.

La caracterización directa de la superficie debería acompañar las mediciones eléctricas. La microscopía electrónica de barrido puede revelar daños localizados, mientras que los métodos químicos de superficie pueden examinar las películas de óxido e hidróxido. Estas observaciones pondrían a prueba la transición implícita del modelo entre regímenes limitados por activación y por transporte.

Si los Ecorr e Icorr medidos coinciden con las predicciones, el modelo de corrosión de la University of Waterloo ganará credibilidad como herramienta de interpolación. Una discrepancia debilitaría el óptimo específico, pero seguiría proporcionando información útil para el reentrenamiento.

La segunda señal es la validación externa en condiciones que la red no vio. Los investigadores podrían reservar una temperatura, otra aleación de aluminio o un electrolito con aditivos. El éxito en esas pruebas importaría más que otra división aleatoria de observaciones estrechamente relacionadas.

La temperatura debería recibir atención temprana. Los experimentos publicados se realizaron a 25 grados Celsius, mientras que los sistemas prácticos pueden enfrentarse a arranques más fríos y operaciones más calientes. La cinética de reacción, la conductividad, la evolución de gases y la estabilidad de las películas pueden cambiar con la temperatura.

La variación de las aleaciones es igual de importante. El material probado era aproximadamente 99 por ciento aluminio, con magnesio, silicio, hierro, cobre, cromo, titanio y otros constituyentes minoritarios. Los ánodos comerciales pueden utilizar estrategias de aleación distintas específicamente para controlar la corrosión y el comportamiento de descarga.

Ampliar el espacio químico pondría a prueba si el flujo de trabajo se generaliza más allá de elegir entre NaOH y KOH. Los aditivos pueden suprimir la evolución de hidrógeno o modificar las películas superficiales, pero también crean más variables. Ese espacio ampliado es donde el cribado asistido por IA debería ofrecer su mayor ventaja.

La tercera señal es el rendimiento de la celda completa. Un electrolito útil para aluminio-aire debe suministrar energía a través de un sistema completo de ánodo, separador, electrolito y cátodo de aire. Los investigadores necesitan medir el voltaje de descarga, la utilización del aluminio, la evolución de hidrógeno, la pérdida en reposo y la gestión de productos de reacción.

Una prueba de celda completa también podría comparar 1.35 M de KOH con la condición de NaOH más sólida y una referencia convencional. Esa comparación revelaría si el óptimo biobjetivo del modelo mejora los resultados que los desarrolladores de aplicaciones realmente buscan.

Los trabajos previos muestran por qué es importante ir más allá de las mediciones en semiceldas. La investigación sobre la corrosión del aluminio ha demostrado desde hace tiempo que la composición del electrolito puede modificar la formación de picaduras y el comportamiento de las películas protectoras. Un reciente estudio sobre pasivación también vinculó la estabilidad del aluminio con las condiciones de operación en los colectores de corriente de baterías de ion-litio.

La química y las funciones de los electrodos son distintas, por lo que esos resultados no pueden validar el óptimo de Waterloo. Sin embargo, refuerzan una lección: una superficie de aluminio útil depende de todo el entorno electroquímico, no de una propiedad aislada del material.

Si las tres señales coinciden, la investigación podría respaldar un ciclo de desarrollo más eficiente. Los experimentos generarían datos estructurados sobre corrosión, un modelo identificaría las compensaciones y las pruebas posteriores corregirían el modelo. Después, las celdas completas determinarían si las variables proxy optimizadas generan un valor real para el sistema.

Este flujo de trabajo también puede mejorar el registro científico. Los equipos de baterías deben conectar formulaciones, pasos de preparación, trazas electroquímicas, imágenes de superficie y versiones de modelos. Una base de conocimiento de ingeniería con capacidad de búsqueda puede ayudar a conservar por qué un candidato avanzó mientras otro fracasó.

Por ahora, el resultado es más limitado, pero sigue siendo útil. Investigadores de la University of Waterloo identificaron una compensación no lineal en la corrosión y la tradujeron en un objetivo experimental falsable. No establecieron un electrolito comercial, una celda más duradera ni un predictor universal de corrosión.

El siguiente paso corresponde al laboratorio. Probar directamente la predicción de 1,35 M de KOH, poner a prueba el modelo con condiciones desconocidas y comparar celdas completas con referencias fiables. Si esos resultados coinciden, la optimización de la corrosión asistida por IA habrá pasado de una interpolación precisa a un diseño práctico de baterías.