Atomscale sostiene que la innovación en materiales no sufre por falta de descubrimientos, sino por un cuello de botella en el escalado industrial. La mayoría de los materiales que impulsarán la próxima ola tecnológica —para inteligencia artificial, computación cuántica y electrificación— ya están identificados y sintetizables en laboratorio, pero no pueden fabricarse a escala productiva.
El artículo explica que la dificultad combina retos físicos e informativos. En lo físico, los materiales solo existen dentro de dispositivos heterogéneos donde cada parámetro es continuo e interconectado; la síntesis sigue siendo ensayo y error guiado por intuición experta. En lo informativo, la caracterización se fragmenta entre técnicas complementarias como XRD, XPS, RHEED, TEM y AFM, y los metadatos, incluidos los resultados negativos, se pierden.
La tesis defiende que la convergencia de instrumentación sensor-rich de alto rendimiento y modelos de IA con umbrales suficientes de cómputo, memoria y transfer learning permite ahora aprovechar los datos ya generados. Atomscale propone una arquitectura jerárquica con adaptadores informados por física que alimentan capas de razonamiento y series temporales, confinando la IA generalista al dominio del problema. La compañía afirma que su sistema codifica información de corridas desconocidas 43 veces mejor que el aprendizaje automático no supervisado de referencia, transformando el análisis manual en datos consultables y permitiendo guiar el crecimiento del material durante la deposición, no después del fallo. El objetivo declarado: comprimir plazos de escalado de una década a algo mucho menor.