El MIT enseña a una IA a detectar defectos atómicos en materiales sin destruir las muestras

Investigadores del MIT han presentado un modelo de IA que ayuda a encontrar y medir defectos atómicos en materiales sin destruir la muestra. El enfoque puede acelerar el desarrollo de aleaciones más resistentes, semiconductores más eficientes, baterías y células solares.

Cómo se buscan los defectos

En la ciencia de materiales, un defecto no siempre implica un problema. A escala atómica, estas alteraciones de la estructura suelen introducirse a propósito para aumentar la resistencia mecánica, modificar la conductividad eléctrica, mejorar la transferencia de calor o elevar la eficiencia de conversión de energía. El problema es otro: tras la fabricación, a los ingenieros les cuesta determinar con precisión qué defectos han resultado y en qué concentración. Muchos métodos existentes ven solo una parte del cuadro, y algunos exigen cortar o dañar de otro modo la muestra.

El equipo del MIT intentó resolverlo combinando aprendizaje automático y dispersión de neutrones. Los investigadores analizaron los espectros vibracionales de materiales sólidos, es decir, cómo se "mueven" los átomos de la red cristalina a distintas frecuencias. Después, el modelo aprendió a asociar esas señales con tipos concretos de defectos puntuales.

Para el entrenamiento se reunió una base computacional de 2000 materiales semiconductores, cada uno con una versión con defectos y otra sin ellos. El modelo se basa en la atención multicabezal (multihead attention), la misma clase de ideas arquitectónicas que usan los modelos de lenguaje actuales.

Qué mostraron las pruebas

Tras el entrenamiento, el modelo se ajustó y se probó con datos experimentales. Los autores afirman que no solo pudo reconocer defectos individuales, sino también estimar cuantitativamente su contenido en muestras reales. Esto importa porque los métodos de laboratorio habituales suelen responder o bien a la pregunta "qué defecto es", o bien a "dónde está", pero no ofrecen una estimación cuantitativa universal y no destructiva de varios tipos de alteraciones estructurales a la vez.

Según el MIT, el sistema ya ha mostrado varios resultados sólidos:

• la base de entrenamiento abarcó 2000 materiales semiconductores;
• el modelo cubre 56 elementos de la tabla periódica;
• puede predecir hasta seis defectos puntuales a la vez;
• la sensibilidad alcanza concentraciones de alrededor del 0,2 por ciento;
• el enfoque se probó en una aleación para electrónica y en un material superconductor distinto.

Los autores señalan que trabajar con señales mezcladas es lo que hace la tarea especialmente difícil. Cuando un material contiene varios tipos de defectos a la vez, sus huellas espectrales se superponen. Para el análisis clásico, esto se convierte enseguida en adivinación, pero la IA logró extraer patrones incluso donde las señales son casi indistinguibles a simple vista.

Dónde se aplicaría

El valor práctico del trabajo está en el control de calidad y el ajuste de propiedades de los materiales en producción. Hoy los fabricantes de semiconductores y otros materiales complejos suelen aplicar pruebas invasivas solo a una pequeña parte de la producción, porque son lentas, caras y destruyen la muestra. Así, parte de las decisiones sobre composición y ajuste del proceso se toma a partir de estimaciones e indicios indirectos. Un diagnóstico más preciso de defectos puede reducir los errores y acelerar la búsqueda de las características deseadas del material.

El método actual tiene, sin embargo, una limitación: medir espectros vibracionales con neutrones es demasiado complejo y poco accesible para implantarlo de forma masiva directamente en una línea de fábrica. Por eso, el siguiente paso del MIT es trasladar el mismo principio a instrumentos más comunes, sobre todo a la espectroscopia Raman. Los investigadores también quieren ampliar el modelo más allá de los defectos puntuales y enseñarle a ver rasgos estructurales mayores, como granos y dislocaciones.

"Los defectos son un arma de doble filo: a veces hacen falta defectos útiles, pero un exceso empeora las propiedades del material", explica el profesor del MIT

Mingda Li.

Qué significa

Este trabajo muestra que la IA es cada vez más una herramienta de medición para la ciencia y la industria, y no solo un generador de texto o imágenes. Si el MIT consigue adaptar el enfoque a métodos de espectroscopia más accesibles, los fabricantes tendrán una forma de entender más rápido qué ocurre dentro de un material y de diseñar con mayor precisión chips, electrónica, baterías y componentes energéticos.