En el ámbito de la ciencia de materiales, los defectos atómicos pueden ser una herramienta poderosa para mejorar las propiedades de diversos productos. Investigadores del MIT han desarrollado un modelo de inteligencia artificial (IA) que permite clasificar y cuantificar estos defectos sin necesidad de dañar el material. Este avance es crucial, ya que la medición precisa de defectos en productos terminados ha sido un desafío constante para los ingenieros.
Los defectos atómicos son introducidos intencionadamente durante la fabricación de materiales como el acero, semiconductores y células solares, con el fin de optimizar su resistencia, conductividad eléctrica y rendimiento general. Sin embargo, hasta ahora, caracterizar estos defectos de manera universal y cuantitativa ha resultado complicado. Según Mouyang Cheng, autor principal del estudio y candidato a doctorado en el Departamento de Ciencia e Ingeniería de Materiales del MIT, “las técnicas existentes no pueden caracterizar los defectos sin destruir el material”.
Nueva metodología basada en IA
El nuevo modelo de IA fue entrenado utilizando datos obtenidos a partir de una técnica no invasiva llamada dispersión de neutrones. Este enfoque permite detectar hasta seis tipos diferentes de defectos puntuales en un material simultáneamente, algo que sería impensable con técnicas convencionales. “Detectar seis defectos diferentes es algo que no se puede lograr sin machine learning”, afirma Cheng.
El equipo del MIT considera que este modelo representa un avance significativo hacia la utilización más precisa de los defectos en productos electrónicos y energéticos. Mingda Li, profesor asociado del departamento, compara la detección actual de defectos con ver solo partes de un elefante: “Cada técnica puede observar solo una parte; necesitamos mejores métodos para obtener una imagen completa”.
Desafíos en la medición precisa
A pesar del progreso realizado, medir cantidades exactas de defectos sigue siendo un proceso lleno de incertidumbres. Como explica Chu-Liang Fu, coautor del estudio, “los ingenieros enfrentan preguntas fundamentales sobre qué tipo de defecto han creado y en qué concentración”. Esto se complica aún más por la posibilidad de introducir defectos no deseados durante la síntesis.
Las técnicas tradicionales como la difracción de rayos X o la espectroscopía Raman tienen limitaciones significativas al caracterizar defectos. Por ejemplo, algunas solo pueden identificar ciertos tipos, mientras que otras no permiten inferir concentraciones directamente. En contraste, el nuevo modelo se basa en una base de datos computacional que abarca 2,000 materiales semiconductores y utiliza frecuencias vibracionales para realizar sus predicciones.
Perspectivas futuras y aplicaciones industriales
Aunque los resultados son prometedores, los investigadores reconocen que implementar esta técnica en procesos industriales podría ser complicado. La medición mediante espectros vibracionales con neutrones presenta desafíos logísticos para su adopción rápida en control de calidad. Sin embargo, hay interés por parte de empresas en aplicar este enfoque junto a técnicas más accesibles como la espectroscopía Raman.
Li menciona que el siguiente paso será entrenar un modelo similar basado en datos obtenidos mediante espectroscopía Raman y ampliar su aplicación a características más grandes como granos y dislocaciones. Esta investigación destaca cómo las técnicas basadas en IA pueden transformar nuestra comprensión y manejo de los defectos atómicos.
“Los patrones que la IA puede reconocer son lo suficientemente precisos como para discernir señales distintas”, concluye Li. Este trabajo abre nuevas posibilidades en el campo científico relacionado con los defectos materiales.
Si (
No(
