EE. UU. combina el aprendizaje automático cuántico y el procesamiento para catalizar el descubrimiento de tierras raras

Estados Unidos ha puesto en marcha una iniciativa de investigación que combina el aprendizaje automático cuántico con el procesamiento industrial de minerales para descubrir moléculas especializadas capaces de separar elementos de tierras raras de manera más eficiente, según un informe publicado por Atharva Gosavi el 19 de septiembre de 2026. La iniciativa técnica busca abordar un cuello de botella fundamental en las cadenas de suministro de minerales críticos, donde la separación de metales de tierras raras individuales y químicamente casi idénticos requiere operaciones industriales complejas y de múltiples etapas. Al aplicar algoritmos computacionales cuánticos a la química molecular, el proyecto busca modelar y diseñar moléculas extractantes que puedan aislar elementos objetivo con una mayor selectividad, lo que potencialmente reduciría la energía, el costo y la huella ambiental del procesamiento intermedio.

## Datos clave

- La iniciativa de Estados Unidos integra modelos de aprendizaje automático cuántico directamente en las líneas de investigación del procesamiento de minerales. - El objetivo buscado es el descubrimiento de nuevas moléculas quelantes optimizadas para la separación de elementos individuales de tierras raras. - El esfuerzo fue informado por el periodista independiente de ciencia y tecnología Atharva Gosavi el 19 de septiembre de 2026. - La separación industrial de tierras raras depende actualmente de la extracción por solventes líquido-líquido, lo que a menudo requiere docenas o cientos de etapas secuenciales. - Se están aprovechando algoritmos de computación cuántica para simular complejas interacciones de electrones en orbitales f que superan las capacidades de modelado preciso de las computadoras clásicas.

## Qué ocurrió

Según la información publicada por Atharva Gosavi, el proyecto de Estados Unidos aborda la intersección entre la arquitectura de software cuántico y la hidrometalurgia industrial. Los investigadores están utilizando marcos de aprendizaje automático cuántico para simular cómo estructuras químicas específicas interactúan con los iones de tierras raras a nivel atómico. El objetivo principal es acelerar la identificación de nuevos ligandos orgánicos —moléculas que se unen selectivamente a iones metálicos específicos en una solución acuosa—, permitiendo así una separación más limpia y rápida de los elementos individuales de tierras raras a partir del concentrado bruto.

El descubrimiento químico tradicional depende en gran medida de la síntesis de laboratorio mediante ensayo y error o de simulaciones por computadora clásica. Sin embargo, la simulación de átomos de tierras raras en computadoras clásicas presenta serios obstáculos computacionales debido a las complejas estructuras de electrones fuertemente correlacionados en sus capas de valencia internas. El nuevo proyecto aplica algoritmos de aprendizaje automático cuántico para modelar estas interacciones electrónicas con mayor precisión, evaluando millones de configuraciones moleculares candidatas en simulaciones digitales antes de seleccionar las candidatas más prometedoras para pruebas físicas de laboratorio e integración en el procesamiento mineral.

Al integrar estas herramientas computacionales cuánticas directamente en los flujos de trabajo de procesamiento de minerales, la iniciativa intenta cerrar la brecha entre la química molecular teórica y la metalurgia extractiva a escala de laboratorio. Los modelos computacionales evalúan las energías de enlace, la geometría espacial y las características de solubilidad para garantizar que las moléculas descubiertas no solo sean teóricamente selectivas, sino también lo suficientemente robustas para operaciones hidrometalúrgicas industriales prácticas.

## Por qué es importante

Los elementos de tierras raras —un grupo de 17 elementos metálicos que incluyen el neodimio, disprosio, terbio, europio y praseodimio— son componentes esenciales en imanes permanentes de alto rendimiento, sistemas de guiado de defensa, generadores de turbinas eólicas, motores de vehículos eléctricos y electrónica avanzada. Aunque las tierras raras son relativamente abundantes en la corteza terrestre, encontrarlas en concentraciones económicamente viables y, lo que es más importante, separarlas entre sí, plantea un reto químico extraordinario.

Debido a que todos los elementos lantánidos comparten radios iónicos y estados de oxidación casi idénticos —un fenómeno químico conocido como contracción lantánida—, sus comportamientos químicos son casi indistinguibles en las reacciones industriales estándar. En la actualidad, la separación de tierras raras pesadas de las tierras raras ligeras requiere circuitos de extracción por solventes líquido-líquido que hacen circular soluciones químicas a través de cientos de tanques mezcladores-decantadores. Este proceso heredado consume volúmenes masivos de ácidos concentrados, solventes orgánicos y agua, generando sustanciales residuos químicos y requiriendo enormes inversiones de capital para la construcción de refinerías.

Si el aprendizaje automático cuántico logra identificar con éxito ligandos con factores de separación significativamente más altos entre lantánidos adyacentes, el número de etapas de extracción requeridas para alcanzar una alta pureza (como el 99,99 por ciento) podría reducirse drásticamente. Una reducción en las etapas de procesamiento se traduce directamente en menores costos operativos, instalaciones físicas de menor tamaño, una menor generación de residuos tóxicos y menores requerimientos de capital para establecer plantas de refinado nacionales. Además, el establecimiento de técnicas avanzadas de procesamiento ofrece una vía tecnológica para eludir los métodos de separación tradicionales altamente contaminantes, lo que potencialmente cambiaría el panorama económico de la fabricación de minerales críticos a favor de las naciones que poseen capacidades cuánticas y computacionales avanzadas.

## Antecedentes

Para contextualizar este avance, la cadena de suministro global de tierras raras se divide históricamente en tres etapas principales: minería, separación química (refinado) y fabricación posterior (como la producción de aleaciones para imanes). Durante varias décadas, la capacidad global de refinado ha estado fuertemente concentrada en China, que controla aproximadamente entre el 85 y el 90 por ciento de la infraestructura mundial de separación de tierras raras y más del 90 por ciento de la producción de imanes de tierras raras. Si bien las operaciones mineras se han expandido en otras regiones —como la mina Mountain Pass en California y la operación Mount Weld en Australia Occidental—, los concentrados no refinados de muchas minas internacionales se han enviado históricamente al extranjero para su separación química debido a la falta de infraestructura intermedia local.

En los últimos años, el gobierno de EE. UU. ha designado los minerales críticos como vitales para la seguridad nacional y la estabilidad económica. Iniciativas lideradas por el Departamento de Energía de EE. UU., como el Critical Materials Innovation Hub albergado en el Ames National Laboratory, junto con la financiación del Departamento de Defensa bajo el Title III de la Defense Production Act, han destinado cientos de millones de dólares a la tecnología de procesamiento nacional. Las vías de investigación han incluido la extracción biológica mediante proteínas especializadas, solventes líquidos iónicos, separación por membranas y modelado termodinámico avanzado.

Al mismo tiempo, la computación cuántica ha pasado de la física puramente teórica a aplicaciones prácticas de dominio, particularmente en la química computacional y la ciencia de materiales. Las supercomputadoras clásicas tienen dificultades con los cálculos de química cuántica porque los recursos computacionales requeridos aumentan exponencialmente con el número de electrones en un sistema molecular. Las tierras raras, situadas en la serie de los lantánidos de la tabla periódica, poseen capas de electrones 4f parcialmente llenas. Las complejas correlaciones electrónicas y los efectos relativistas presentes en estos orbitales f convierten a los complejos de tierras raras en uno de los sistemas químicos más difíciles de modelar con precisión en hardware clásico. Los algoritmos de aprendizaje automático cuántico, que se ejecutan en hardware híbrido cuántico-clásico, están diseñados para representar de forma nativa estos estados electrónicos, ofreciendo un camino hacia una ingeniería molecular predictiva que antes era inabordable.

## Reacciones

La integración de la computación cuántica en la ingeniería de minerales críticos representa un cambio notable hacia intervenciones de alta tecnología en las cadenas de suministro industriales. Los analistas del sector y los científicos de materiales han señalado durante mucho tiempo que el procesamiento químico intermedio, más que la capacidad minera bruta, constituye la principal vulnerabilidad en las cadenas de suministro de minerales críticos de Occidente. La aplicación de la química computacional avanzada es vista por los observadores del mercado como un paso necesario para superar la ventaja de décadas que mantienen las instalaciones de refinado tradicionales.

Los desarrolladores de software cuántico y los químicos computacionales han destacado el descubrimiento de materiales como una de las aplicaciones tempranas comercialmente más prometedoras para los sistemas de escala intermedia ruidosos (NISQ) y los algoritmos híbridos. En lugar de esperar a que existan computadoras cuánticas totalmente tolerantes a fallos, los enfoques híbridos cuántico-clásicos pueden ayudar a los modelos de aprendizaje automático a identificar características espaciales y de enlace que los algoritmos estándar pasan por alto.

Se espera que investigadores ambientales y expertos en políticas vigilen de cerca si el proyecto produce extractantes que reduzcan el uso de sustancias químicas peligrosas. El procesamiento hidrometalúrgico estándar genera cantidades sustanciales de aguas residuales ácidas y colas radiactivas (a menudo asociadas con el torio y el uranio presentes de forma natural en los minerales de tierras raras). Cualquier avance tecnológico que agilice las etapas de procesamiento o permita el reciclaje químico de circuito cerrado es visto favorablemente por los organismos reguladores encargados de aprobar nuevas plantas de procesamiento nacionales.

## Lo que aún no se sabe

Si bien el alcance del proyecto combina el aprendizaje automático cuántico con el procesamiento de minerales, varios detalles operativos específicos siguen sin verificarse en la información disponible:

- **Líder institucional y socios:** No se ha detallado la agencia gubernamental específica, el laboratorio nacional, el consorcio de investigación universitaria o la empresa tecnológica privada que lidera la ejecución del proyecto. - **Línea de base de financiamiento y duración:** La asignación financiera exacta, la fuente de financiamiento y el cronograma plurianual proyectado para la subvención o el programa de investigación siguen sin especificarse. - **Especificaciones del hardware cuántico:** En la actualidad se desconoce qué plataformas de hardware cuántico (por ejemplo, circuitos superconductores, iones atrapados o sistemas de átomos neutros) o proveedores de servicios cuánticos en la nube se están utilizando para ejecutar los modelos de aprendizaje automático. - **Síntesis y validación experimental:** El informe no detalla si las moléculas extractantes candidatas identificadas por los algoritmos cuánticos ya han entrado en pruebas físicas de laboratorio a escala de banco o en ensayos de síntesis química. - **Viabilidad económica:** Aún está por demostrarse si las moléculas diseñadas computacionalmente pueden producirse de forma económica a escala industrial y permanecer estables en condiciones ácidas industriales severas.

## Qué habrá que observar

A medida que se avance, varios indicadores clave revelarán el progreso y el impacto práctico de este proyecto de minerales críticos asistido por tecnología cuántica:

- **Divulgaciones federales oficiales:** Anuncios oficiales o comunicados de prensa de agencias de EE. UU. —como la Office of Energy Efficiency and Renewable Energy (EERE) del Departamento de Energía o la Defense Advanced Research Projects Agency (DARPA)— que confirmen a los receptores de los fondos, socios computacionales y hitos del proyecto. - **Literatura revisada por pares:** Publicaciones científicas en revistas como *Nature Chemistry*, *Inorganic Chemistry* o *Hydrometallurgy* que detallen las estructuras moleculares específicas, los índices de selectividad de enlace y las arquitecturas de algoritmos cuánticos desarrollados en el marco del programa. - **Pruebas en plantas piloto:** Ensayos hidrometalúrgicos a escala de laboratorio y a escala piloto que demuestren si los ligandos recién identificados alcanzan factores de separación más altos entre lantánidos adyacentes (como neodimio/praseodimio o disprosio/terbio) en comparación con los extractantes comerciales estándar como PC88A o Cyanex 272. - **Licencias comerciales:** Acuerdos posteriores de licencias o transferencias de tecnología entre instituciones de investigación y empresas comerciales de procesamiento de minerales críticos que busquen desplegar la tecnología en refinerías operativas.

Este informe se basa en la información original publicada por Atharva Gosavi el 19 de septiembre de 2026.