📊 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 muy difícil. Un equipo de la Universidad de Tohoku y la Universidad de Tokio creó DIVE, un sistema en el que varios agentes de inteligencia artificial trabajan juntos para leer las figuras de los artículos. Extrajo más de 30.000 datos de más de 4.000 publicaciones y propuso nuevos materiales de almacenamiento de hidrógeno en unos dos minutos.

Datos valiosos encerrados dentro de las figuras

En la ciencia de materiales actual, la inteligencia artificial basada en datos se ha vuelto una herramienta clave para descubrir nuevos compuestos. Pero había un cuello de botella: gran parte de los datos experimentales acumulados durante décadas vive en forma de imágenes, los gráficos y las tablas insertados en los artículos.

Un investigador humano mira una figura y lee los datos sin mayor problema. Lograr que una computadora haga lo mismo con precisión y a gran escala es otra historia. Los modelos de lenguaje multimodales actuales 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.

De ese trabajo por etapas nace la diferencia con el método tradicional, que extrae todo de una sola pasada.

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

En una prueba de referencia con datos de materiales de almacenamiento de hidrógeno, 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 %.

La precisión es solo la mitad del asunto. Según el equipo, también se amplió de forma considerable el abanico de figuras que el sistema puede manejar.

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), está disponible de forma abierta en www.dighyd.org, así 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 ciclo, desde introducir los requisitos hasta recibir candidatos, toma unos dos minutos. Un investigador humano que revisara miles de artículos para acotar los materiales compatibles necesitaría semanas o 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 del área de hidrógeno del programa GteX de la Agencia de Ciencia y Tecnología de Japón (JST) y se publicó en la revista Chemical Science el 3 de febrero de 2026, hora local.

¿Y en tu país?

¿Cómo se aplica la inteligencia artificial a la investigación científica donde vives? Nos encantaría conocer tu punto de vista.

Actualización: el 11 de junio de 2026 el equipo publicó un trabajo posterior que parte de los datos de DigHyd y aplica regresión simbólica para extraer los descriptores decisivos del almacenamiento de hidrógeno, y los lleva al diseño de materiales que combinen alta capacidad con una presión de trabajo realista. La fase ya no es construir la base de datos, sino usarla.

Referencias