MIT enseñó a la IA a encontrar defectos atómicos en materiales sin destruir muestras

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

Cómo se Encuentran los Defectos

En la ciencia de materiales, un defecto no siempre significa un problema. A nivel atómico, tales cambios estructurales se introducen frecuentemente de forma intencional en el material para aumentar la resistencia mecánica, modificar la conductividad eléctrica, mejorar la transferencia de calor o aumentar la eficiencia de la conversión de energía. El verdadero problema es diferente: tras la producción, a los ingenieros les resulta difícil entender exactamente qué defectos se crearon y en qué concentración. Muchos métodos existentes solo ven parte del panorama, y algunos requieren cortar o dañar de otra forma la muestra.

El equipo del MIT intentó resolver este problema mediante una combinación de aprendizaje automático y dispersión de neutrones. Los investigadores analizaron espectros vibracionales de materiales sólidos—esencialmente, cómo se "mueven" los átomos en una red cristalina a diferentes frecuencias. El modelo aprendió luego a hacer coincidir estas señales con tipos específicos de defectos puntuales. Para el entrenamiento, compilaron una base de datos computacional de 2000 materiales semiconductores: cada uno tenía una variante con defectos y sin ellos. La base del modelo utiliza un mecanismo de atención multihead—la misma clase de ideas arquitectónicas utilizadas en los modelos de lenguaje modernos.

Qué Mostraron las Pruebas

Tras el entrenamiento, el modelo fue ajustado y probado con datos experimentales. Los autores informan que fue capaz no solo de reconocer defectos individuales, sino también de evaluar cuantitativamente su contenido en muestras reales. Esto importa porque los métodos de laboratorio estándar frecuentemente responden o a la pregunta "qué tipo de defecto es este" o "dónde se encuentra", pero no proporcionan una evaluación cuantitativa universal y no destructiva en múltiples tipos de defectos estructurales simultáneamente.

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

• la base de datos de entrenamiento cubrió 2000 materiales semiconductores;
• el modelo cubre 56 elementos de la tabla periódica;
• puede predecir simultáneamente hasta seis defectos puntuales;
• la sensibilidad alcanza concentraciones alrededor del 0,2 por ciento;
• el enfoque fue probado en una aleación electrónica y en un material superconductor separado.

Los autores señalan particularmente que trabajar con señales mixtas hace la tarea especialmente difícil. Cuando múltiples tipos de defectos están presentes en un material, sus firmas espectrales comienzan a superponerse. Para el análisis clásico, esto rápidamente se convierte en adivinación, pero la IA logró extraer patrones incluso donde las señales son visualmente casi indistinguibles.

Dónde Se Aplicará

El valor práctico de este trabajo radica en el control de calidad y el ajuste de propiedades de materiales durante la fabricación. Actualmente, los fabricantes de semiconductores y otros materiales complejos frecuentemente utilizan pruebas invasivas solo en una pequeña fracción de la producción porque tales pruebas son lentas, costosas y destruyen la muestra. Como resultado, algunas decisiones sobre composición y ajuste de proceso se basan en estimaciones e indicadores indirectos. Un diagnóstico más preciso de defectos podría reducir errores y acelerar la selección de las características de material requeridas.

Sin embargo, el método actual tiene una limitación: la medición de neutrones de espectros vibracionales es demasiado compleja y no muy accesible para implementación masiva directamente en una línea de fábrica. Por lo tanto, el próximo paso del MIT es transferir el mismo principio a herramientas más comunes, principalmente espectroscopia Raman. Los investigadores también desean expandir el modelo más allá de defectos puntuales y enseñarle a ver características estructurales más grandes, como granos y dislocaciones.

"Los defectos son un arma de doble filo: los defectos útiles pueden ser necesarios, pero su exceso degrada las propiedades del material", explica la

Profesora Minda Lea del MIT.

Qué Significa Esto

Este trabajo demuestra que la IA cada vez se convierte más no en un generador de texto o imágenes, sino en una herramienta de medición para la ciencia e industria. Si MIT logra adaptar el enfoque a métodos de espectroscopia más accesibles, los fabricantes obtendrán la capacidad de entender más rápidamente qué está sucediendo dentro de un material y diseñar con mayor precisión chips, componentes electrónicos, baterías y componentes energéticos.