Los científicos están logrando avances significativos en el análisis de propiedades físicas a través de un nuevo enfoque automatizado que aprovecha la inteligencia artificial (IA) y las técnicas de aprendizaje automático. La iniciativa se centra particularmente en los datos derivados de la espectroscopia de absorción de rayos X (XAS), una técnica crítica utilizada para explorar la composición, estructura y funcionalidad de diversos materiales.
XAS funciona dirigiendo haces de rayos X de alta energía a un material y observando cómo se absorben los diferentes niveles de energía. Este proceso produce un espectro que actúa como una huella digital única, lo que permite a los investigadores identificar los elementos de un material y la disposición de sus átomos, a menudo denominado “estado electrónico”. Estos conocimientos son necesarios para materiales como los compuestos de boro, que encuentran aplicaciones en semiconductores, dispositivos de Internet de las cosas (IoT) y tecnologías de almacenamiento de energía.
Sin embargo, el análisis de datos XAS tradicionalmente requiere una habilidad y un esfuerzo manual considerables, especialmente cuando se manejan grandes conjuntos de datos. La falta de datos de referencia y las interpretaciones subjetivas a menudo complican el análisis, lo que enfatiza la necesidad de métodos automatizados que puedan establecer una relación más sistemática entre las mediciones XAS y las propiedades de los materiales.
Un equipo de investigación dirigido por el profesor Masato Kotsugi del Departamento de Ciencia y Tecnología de Materiales de la Universidad de Ciencias de Tokio abordó recientemente este desafío desarrollando un método basado en inteligencia artificial para el análisis automatizado de datos XAS. Junto con los coinvestigadores Reeka Hasegawa y la Dra. Arpita Varadwaj, el equipo desarrolló un marco que aprovecha el aprendizaje automático para extraer información de manera eficiente de los datos XAS.
En su estudio publicado en Informes científicosLos investigadores generaron datos XAS para varias fases del nitruro de boro (BN) junto con sus análogos de defectos. Estos datos fueron generados mediante cálculos teóricos basados en la física fundamental y luego verificados con resultados experimentales.
Para analizar esta gran cantidad de información, el equipo implementó técnicas de aprendizaje automático que se centran en la reducción de la dimensionalidad, destilando datos complejos con muchas variables en sus componentes principales, destacando las características esenciales. En el ámbito de XAS, los conjuntos de datos contienen miles de variables, una técnica que ayuda a los científicos a identificar patrones que reflejan con precisión los estados electrónicos de los materiales.
El equipo probó múltiples métodos de aprendizaje automático, incluido el análisis de componentes principales (PCA), el escalado multidimensional (MDS), la incrustación de vecinos estocásticos distribuidos en t (t-SNE) y, lo más importante, la aproximación y proyección de colectores uniformes (UMAP). Entre ellos, UMAP se ha convertido en una herramienta particularmente poderosa, que clasifica de manera eficiente datos espectrales complejos basados en diferentes estructuras y defectos moleculares. Su rendimiento se valida con datos experimentales XAS, lo que demuestra una fuerte alineación a pesar del ruido y la variabilidad experimental, lo que indica su solidez.
El profesor Kotsugi comentó las implicaciones de sus hallazgos y afirmó que la metodología ofrece una ruta prometedora para la identificación de materiales rápida, escalable y objetiva utilizando datos espectrales experimentales complejos. El equipo de investigación no sólo supera la precisión de los métodos estadísticos utilizados anteriormente, caracterizados por su precisión pero limitados a la hora de revelar variaciones sutiles, sino que también ilustra el potencial del reconocimiento estructural automatizado.
De cara al futuro, pronto se incorporará al software del Centro de Radiación Sincrotrón Nano-Terasu un enfoque basado en IA destinado a resolver el análisis de materiales. Se espera que el descubrimiento acelere el desarrollo de nuevos materiales, lo que tendrá un impacto significativo en campos como los semiconductores, la catálisis y el almacenamiento de energía, contribuyendo así a un futuro más sostenible.
