La fabricación de mejores baterías, productos electrónicos más rápidos y productos farmacéuticos más eficaces depende del descubrimiento de nuevos materiales y de la verificación de su calidad. La inteligencia artificial está ayudando con lo primero, con herramientas que revisan catálogos de materiales para etiquetar rápidamente a candidatos prometedores.
Pero una vez que se fabrica un material, verificar su calidad aún implica escanearlo con instrumentos especializados para validar su desempeño, un paso costoso y que requiere mucho tiempo y que puede retrasar el desarrollo y la distribución de nuevas tecnologías.
Ahora, una nueva herramienta de inteligencia artificial desarrollada por ingenieros del MIT podría ayudar a eliminar el cuello de botella del control de calidad, ofreciendo una opción más rápida y económica para ciertas industrias impulsadas por materiales.
En un estudio que aparece hoy en la revista Asuntolos investigadores presentan «SpectroGen», una herramienta de inteligencia artificial generativa que potencia las capacidades de escaneo al actuar como un espectrómetro virtual. La herramienta toma «espectros» o mediciones de un material en una modalidad de escaneo, como el infrarrojo, y genera cómo se verían los espectros de ese material si se escaneara en una modalidad completamente diferente, como los rayos X. Los resultados espectrales generados por IA coinciden, con un 99 por ciento de precisión, con los resultados obtenidos al escanear físicamente el material con el nuevo instrumento.
Ciertas modalidades espectroscópicas revelan propiedades específicas de un material: el infrarrojo revela los grupos moleculares de un material, mientras que la difracción de rayos X visualiza las estructuras cristalinas del material y la dispersión Raman ilumina las vibraciones moleculares de un material. Cada una de estas propiedades es esencial para medir la calidad de un material y, por lo general, requiere flujos de trabajo tediosos en múltiples instrumentos costosos y distintos para medir.
Con SpectroGen, los investigadores prevén que se puede realizar una diversidad de mediciones utilizando un alcance físico único y más económico. Por ejemplo, una línea de fabricación podría realizar un control de calidad de los materiales escaneándolos con una única cámara infrarroja. Esos espectros infrarrojos podrían luego introducirse en SpectroGen para generar automáticamente los espectros de rayos X del material, sin que la fábrica tenga que albergar y operar un laboratorio de escaneo de rayos X separado, a menudo más costoso.
La nueva herramienta de IA genera espectros en menos de un minuto, mil veces más rápido en comparación con los enfoques tradicionales que pueden tardar varias horas o días en medirse y validarse.
«Creemos que no es necesario realizar mediciones físicas en todas las modalidades necesarias, sino tal vez sólo en una modalidad única, simple y barata», dice la coautora del estudio Loza Tadesse, profesora asistente de ingeniería mecánica en el MIT. «Luego se puede utilizar SpectroGen para generar el resto. Y esto podría mejorar la productividad, la eficiencia y la calidad de la fabricación».
El autor principal del estudio es el ex postdoctorado del MIT Yanmin Zhu.
Más allá de los bonos
El grupo interdisciplinario de Tadesse en el MIT es pionero en tecnologías que promueven la salud humana y planetaria, desarrollando innovaciones para aplicaciones que van desde el diagnóstico rápido de enfermedades hasta la agricultura sostenible.
«El diagnóstico de enfermedades y el análisis de materiales en general implica generalmente escanear muestras y recolectar espectros en diferentes modalidades, con diferentes instrumentos que son voluminosos y costosos y que quizás no se encuentren todos en un solo laboratorio», dice Tadesse. «Entonces, estábamos pensando en cómo miniaturizar todo este equipo y cómo optimizar el proceso experimental».
Zhu señaló el uso cada vez mayor de herramientas de IA generativa para descubrir nuevos materiales y candidatos a fármacos, y se preguntó si la IA también podría aprovecharse para generar datos espectrales. En otras palabras, ¿podría la IA actuar como un espectrómetro virtual?
Un espectroscopio prueba las propiedades de un material enviando luz de una determinada longitud de onda al material. Esa luz hace que los enlaces moleculares en el material vibren de manera que la luz se disperse de regreso al telescopio, donde la luz se registra como un patrón de ondas, o espectros, que luego se puede leer como una firma de la estructura del material.
Para que la IA genere datos espectrales, el enfoque convencional implicaría entrenar un algoritmo para reconocer las conexiones entre los átomos físicos y las características de un material, y los espectros que producen. Dada la complejidad de las estructuras moleculares dentro de un solo material, Tadesse dice que este enfoque puede volverse rápidamente intratable.
«Hacer esto incluso con un solo material es imposible», afirma. «Entonces pensamos: ¿existe otra forma de interpretar los espectros?»
El equipo encontró una respuesta con las matemáticas. Se dieron cuenta de que un patrón espectral, que es una secuencia de formas de onda, se puede representar matemáticamente. Por ejemplo, un espectro que contiene una serie de curvas de campana se conoce como distribución «gaussiana», que está asociada con una determinada expresión matemática, en comparación con una serie de ondas más estrechas, conocida como distribución «lorentziana», que se describe mediante un algoritmo distinto y separado. Y resulta que, para la mayoría de los materiales, los espectros infrarrojos contienen característicamente más formas de onda de Lorentz, mientras que los espectros Raman son más gaussianos y los espectros de rayos X son una mezcla de los dos.
Tadesse y Zhu incorporaron esta interpretación matemática de datos espectrales en un algoritmo que luego incorporaron a un modelo de IA generativa.
“Es una IA generativa con conocimientos de física que entiende qué son los espectros», dice Tadesse. «Y la novedad clave es que interpretamos los espectros no como si provinieran de sustancias químicas y enlaces, sino que en realidad son matemáticas: curvas y gráficos, que una herramienta de IA puede entender e interpretar».
fecha copiloto
El equipo demostró su herramienta SpectroGen AI en un gran conjunto de datos disponible públicamente de más de 6.000 muestras minerales. Cada muestra incluye información sobre las propiedades del mineral, como su composición elemental y estructura cristalina. Muchas muestras del conjunto de datos también incluyen datos espectrales en diferentes modalidades, como rayos X, Raman e infrarrojos. De estas muestras, el equipo alimentó varios cientos a SpectroGen, en un proceso que entrenó la herramienta de inteligencia artificial, también conocida como red neuronal, para aprender correlaciones entre las diferentes modalidades espectrales de un mineral. Esta capacitación permitió a SpectroGen tomar espectros de un material en una modalidad, como en infrarrojo, y generar cómo debería verse un espectro en una modalidad totalmente diferente, como en rayos X.
Una vez que entrenaron la herramienta de IA, los investigadores alimentaron espectros de SpectroGen a partir de un mineral en el conjunto de datos que no estaba incluido en el proceso de entrenamiento. Le pidieron a la herramienta que generara un espectro en una modalidad diferente, basándose en este «nuevo» espectro. Descubrieron que los espectros generados por IA coincidían estrechamente con los espectros reales del mineral, que fueron registrados originalmente por un instrumento físico. Los investigadores llevaron a cabo pruebas similares con otros minerales y descubrieron que la herramienta de IA generaba espectros rápidamente, con una correlación del 99 por ciento.
«Podemos introducir datos espectrales en la red y obtener otro tipo de datos espectrales totalmente diferente, con una precisión muy alta, en menos de un minuto», afirma Zhu.
El equipo dice que SpectroGen puede generar espectros para cualquier tipo de mineral. En un entorno de fabricación, por ejemplo, los materiales de base mineral que se utilizan para fabricar semiconductores y tecnologías de baterías podrían primero escanearse rápidamente con un láser infrarrojo. Los espectros de este escaneo infrarrojo podrían introducirse en SpectroGen, que luego generaría un espectro en rayos X, que los operadores o una plataforma de inteligencia artificial multiagente pueden verificar para evaluar la calidad del material.
“Lo considero como tener un agente o copiloto que apoye a los investigadores, los técnicos, los oleoductos y la industria”, dice Tadesse. «Planeamos personalizar esto para las necesidades de diferentes industrias».
El equipo está explorando formas de adaptar la herramienta de inteligencia artificial para el diagnóstico de enfermedades y el seguimiento agrícola a través de un próximo proyecto financiado por Google. Tadesse también está avanzando la tecnología en el campo a través de una nueva startup y prevé que SpectroGen esté disponible para una amplia gama de sectores, desde productos farmacéuticos hasta semiconductores y defensa.
