NUEVA Encuesta: Agentes de IA para el Descubrimiento Científico. Esta es una de las áreas más emocionantes de cara a 2026. (guarda este) Esta nueva investigación presenta SAGA (Agente Autónomo de Objetivos Evolutivos Científicos), un marco de dos niveles donde el bucle externo evoluciona automáticamente los objetivos mientras que el bucle interno optimiza las soluciones. ¿Por qué es importante este artículo? El descubrimiento científico requiere iterar sobre qué optimizar, no solo cómo optimizar. Automatizar este bucle de evolución de objetivos cierra una brecha que ha estrangulado la mayoría de la investigación científica impulsada por IA reciente. En lugar de tratar el diseño de objetivos como una decisión humana única, SAGA lo convierte en un proceso de descubrimiento dinámico y autónomo. Un planificador basado en LLM propone nuevos objetivos. Un implementador los convierte en funciones de puntuación ejecutables. Un optimizador busca soluciones. Un analizador examina los resultados e identifica dónde se necesita refinar los objetivos. SAGA opera en tres niveles de automatización: > modo co-piloto, donde los científicos colaboran en la evolución de objetivos > semi-piloto donde los científicos solo proporcionan retroalimentación al analizador > piloto automático donde tanto el análisis como la planificación están completamente automatizados Resultados en cuatro dominios científicos: En el diseño de antibióticos para K. pneumoniae resistente a medicamentos, SAGA logra el mejor equilibrio entre actividad biológica y similitud a fármacos. Mientras que las líneas base o no logran optimizar la actividad o alcanzan alta actividad con moléculas químicamente poco realistas, SAGA añade dinámicamente objetivos como penalizaciones de sintetizabilidad y filtros de estabilidad metabólica basados en el análisis de tendencias a nivel poblacional. En el diseño de materiales, SAGA encontró 15 estructuras estables novedosas para imanes permanentes con bajo riesgo en la cadena de suministro dentro de 200 cálculos DFT, superando a MatterGen (11 estructuras). Para materiales superduros, más del 90% de los cristales propuestos contienen elementos ligeros esenciales para la dureza, alineándose con los hallazgos experimentales. En el diseño de secuencias de ADN, SAGA supera las líneas base en el diseño de potenciadores específicos de tipo celular en hasta un 176%, con una mejora del 48% en especificidad y del 47% en enriquecimiento de motivos. En el diseño de procesos químicos, SAGA identifica que optimizar solo para la pureza del producto conduce a flujos de trabajo innecesariamente complejos, luego añade autónomamente objetivos para costos de capital e intensidad de flujo de material. ...