📊 En los artículos científicos hay un tesoro escondido, y casi todo está atrapado dentro de imágenes. Los datos experimentales incrustados en gráficos y tablas se leen a simple vista, pero procesarlos a gran escala con una computadora resultaba casi imposible. Ahora, un equipo de la Universidad de Tohoku y la Universidad de Tokio creó un sistema de IA llamado "DIVE", en el que varios agentes de inteligencia artificial trabajan en equipo para leer las figuras de los artículos: extrajeron más de 30.000 datos de 4.000 publicaciones y propusieron nuevos materiales de almacenamiento de hidrógeno en apenas dos minutos.

Datos valiosos encerrados dentro de las figuras

En la ciencia de materiales actual, la inteligencia artificial basada en datos se ha convertido en una herramienta clave para descubrir nuevos compuestos. Pero existía un cuello de botella enorme: gran parte de los datos experimentales que los investigadores acumularon durante décadas vive en forma de imágenes, es decir, gráficos y tablas insertados en los artículos.

Un investigador humano puede mirar una figura y leer los datos sin mayor problema. Lograr que una computadora haga lo mismo con precisión y a gran escala es otra historia. Los modelos de IA actuales, los llamados modelos de lenguaje multimodales, tienen serias limitaciones para extraer datos de figuras científicas y solo manejan una variedad reducida de formatos.

La pregunta que guió esta investigación fue simple: ¿se pueden liberar los datos que llevan años encerrados dentro de esas figuras?

DIVE: un "equipo lector" de IA que trabaja por etapas

En febrero de 2026, un equipo encabezado por el profesor Hao Li y el director Shin-ichi Orimo, del Instituto Avanzado de Investigación de Materiales de la Universidad de Tohoku (WPI-AIMR), junto con el profesor asistente Ryuhei Sato, de la Escuela de Posgrado en Ingeniería de la Universidad de Tokio, presentó su respuesta: un flujo de trabajo de IA multiagente llamado DIVE (Descriptive Interpretation of Visual Expression).

Lo que distingue a DIVE es su arquitectura de trabajo en equipo. En lugar de pedirle a una sola IA que lo haga todo de una vez, DIVE reparte el trabajo entre varios agentes, cada uno encargado de un paso del proceso.

Un agente se concentra en comprender visualmente el contenido de la figura. Otro interpreta el pie de imagen, el texto que la acompaña, para captar el contexto científico. Y un tercero verifica que los valores numéricos extraídos tengan coherencia científica.

Este enfoque por etapas mejora de forma notable tanto la precisión como la variedad de figuras que el sistema puede procesar, frente al método tradicional de extraer todo de una sola pasada.

Entre un 10 % y un 30 % más preciso que los métodos previos

Cuando el equipo comparó DIVE con los métodos existentes usando datos de materiales de almacenamiento de hidrógeno, los resultados llamaron la atención. DIVE alcanzó una precisión de extracción entre un 10 % y un 15 % superior a la de los modelos multimodales estándar. Frente a los modelos de código abierto, la mejora superó el 30 %.

Y no se trata solo de precisión. Según el equipo, DIVE también amplió de manera considerable el rango de figuras que puede manejar, en comparación con el método convencional de extraerlo todo en una sola operación.

30.000 datos extraídos de 4.000 artículos

Con DIVE, el equipo procesó más de 4.000 artículos científicos sobre materiales de almacenamiento de hidrógeno. El resultado: más de 30.000 datos experimentales, organizados en una base de datos legible por computadora.

Esa base de datos, bautizada DigHyd (Digital Hydrogen Platform), se publicó en internet de forma abierta, de modo que investigadores de todo el mundo pueden consultarla y usarla en sus propios estudios.

Para quien no conozca el campo: los materiales de almacenamiento de hidrógeno son sustancias, a menudo metales o aleaciones, capaces de absorber hidrógeno con alta densidad y de manera segura, y de liberarlo cuando hace falta. Se consideran una tecnología esencial para construir una infraestructura energética limpia basada en el hidrógeno.

Candidatos a nuevos materiales en apenas dos minutos

El valor de DIVE va mucho más allá de la extracción de datos. El equipo también construyó un flujo de "diseño inverso" sobre la base de datos DigHyd. El diseño inverso invierte el proceso habitual: en vez de probar materiales al azar y esperar buenos resultados, el investigador define las propiedades que busca y la IA trabaja hacia atrás para encontrar compuestos que las cumplan.

El funcionamiento es así: el investigador introduce las propiedades deseadas; la IA genera composiciones candidatas a partir de la base de datos bibliográfica; un modelo de aprendizaje automático predice la densidad de hidrógeno por peso de cada candidato; y el sistema refina sus propuestas de forma iterativa hasta cumplir el objetivo.

Todo el proceso, desde introducir los requisitos hasta recibir candidatos a nuevos materiales, toma alrededor de dos minutos. Para un investigador humano, ese mismo trabajo de revisar miles de artículos e identificar materiales compatibles podría llevar semanas o incluso meses.

Más allá del hidrógeno: una plataforma para toda la investigación de materiales

La tecnología de DIVE no se limita al almacenamiento de hidrógeno. Según el equipo, el mismo enfoque puede aplicarse a baterías, catalizadores, materiales termoeléctricos y otros campos donde valiosos datos experimentales quedan encerrados en las figuras.

Entre los planes a futuro figuran ampliar DIVE para que maneje formatos de figura aún más diversos y desarrollar flujos de diseño de materiales más autónomos. Si los datos atrapados en imágenes pudieran liberarse de forma sistemática en todas las disciplinas, podría abrirse una nueva etapa en la investigación de materiales.

La investigación contó con el apoyo de la Agencia de Ciencia y Tecnología de Japón (JST) a través del programa "GteX" y se publicó en la revista Chemical Science el 3 de febrero de 2026.

Hacia una era en la que la IA "lee" la investigación

Datos que los humanos podían leer pero que las computadoras apenas lograban aprovechar: eso es lo que estaba encerrado en las figuras de los artículos. DIVE demostró que un equipo de agentes de IA puede volver a sacarlos a la luz. Si el método se extiende del hidrógeno a las baterías y los catalizadores, podría cambiar el propio ritmo de la investigación de materiales.

En Japón, usar la IA como un verdadero acelerador del descubrimiento, y no solo como una herramienta de automatización, se está volviendo una tendencia clara. ¿Cómo se aplica la inteligencia artificial a la investigación científica en tu país? Nos encantaría conocer tu punto de vista.

Referencias