Comprender las propiedades de los distintos materiales es un paso fundamental en el diseño de materiales. La espectroscopia de absorción de rayos X (XAS) es una técnica importante para ello, ya que proporciona información detallada sobre la composición, la estructura y las características funcionales de un material. Esta técnica consiste en dirigir un haz de rayos X de alta energía hacia una muestra y registrar cómo se absorben los rayos X de diferentes niveles de energía.
De forma similar a como la luz blanca se descompone en un arcoíris al pasar por un prisma, la espectroscopia de absorción de rayos X (XAS) produce un espectro de rayos X con diferentes energías. Este espectro, denominado datos espectrales, actúa como una huella dactilar única de un material, ayudando a los científicos a identificar los elementos presentes en él y a observar la disposición de sus átomos. Esta información, conocida como «estado electrónico», determina las propiedades funcionales de los materiales.
Los compuestos de boro tienen importantes aplicaciones en semiconductores, dispositivos del Internet de las Cosas (IoT) y almacenamiento de energía. En estos materiales, las modificaciones atómicas, los defectos estructurales, las impurezas y los elementos dopantes producen variaciones únicas y complejas en los datos espectrales. El análisis detallado de estas variaciones proporciona información clave sobre su estado electrónico y resulta crucial para el diseño racional de materiales. Tradicionalmente, sin embargo, dichos análisis requerían una amplia experiencia y mucho trabajo manual, especialmente al examinar visualmente grandes conjuntos de datos.
La falta de datos de referencia previos y la subjetividad de las interpretaciones dificultaron aún más la tarea. Desarrollar un método automatizado que permita establecer una relación clara y objetiva entre los datos XAS y las propiedades subyacentes del material ha sido un reto constante.
Un equipo de investigación liderado por el profesor Masato Kotsugi, del Departamento de Ciencia y Tecnología de Materiales de la Universidad de Ciencias de Tokio (TUS), Japón, ha dado un paso prometedor hacia este objetivo. Reika Hasegawa y Arpita Varadwaj, ambas de la TUS y quienes dirigieron el estudio, desarrollaron conjuntamente un método automatizado basado en inteligencia artificial (IA) para el análisis de datos XAS.
«Los métodos basados en IA y en datos, como el aprendizaje automático, pueden ser herramientas poderosas para analizar e interpretar eficientemente los datos de medición, proporcionando información objetiva», explica el profesor Kotsugi. El estudio fue publicado en la revista Scientific Reports .
El equipo generó inicialmente datos XAS para tres fases diferentes de nitruro de boro (BN) con distintas estructuras atómicas, junto con sus análogos con defectos. Los datos XAS se generaron mediante cálculos teóricos basados en la física fundamental y se validaron con datos experimentales.
Para analizar estos datos, el equipo empleó técnicas de aprendizaje automático que utilizan la reducción de dimensionalidad. Este método reduce datos altamente complejos con numerosas variables a sus elementos fundamentales, capturando únicamente sus características esenciales. En XAS, donde un conjunto de datos puede contener miles de variables, el aprendizaje automático ayuda a los científicos a centrarse en patrones que reflejan fielmente los estados electrónicos de los materiales.
Como explica el profesor Kotsugi, «La física subyacente en los datos XAS se puede explicar con tan solo unos pocos cálculos matemáticos».
El equipo probó cuatro métodos de aprendizaje automático: Análisis de Componentes Principales (PCA), Escalamiento Multidimensional (MDS), Incrustación de Vecinos Estocásticos t-distribuidos (t-SNE) y Aproximación y Proyección de Variedades Uniformes (UMAP).
Entre ellos, UMAP destacó por su excepcional capacidad para clasificar datos espectrales complejos según diferentes estructuras atómicas y defectos. Fue capaz no solo de identificar tendencias globales, sino también de detectar diferencias sutiles entre fases y tipos de defectos.
Para confirmar su validez, los investigadores compararon estos resultados utilizando datos experimentales de XAS, que coincidieron estrechamente con las clasificaciones obtenidas mediante UMAP, a pesar de la presencia de ruido y variabilidad. Esto demuestra que este método es robusto frente al ruido y las variaciones introducidas por las condiciones experimentales.
«Nuestros hallazgos demuestran que UMAP puede ser una herramienta valiosa para la identificación rápida, escalable, automatizada y, lo que es más importante, objetiva de materiales utilizando datos espectrales experimentales complejos», comenta el profesor Kotsugi.
Cabe destacar que este estudio representa un método más avanzado en comparación con el enfoque anterior del equipo, basado en la similitud estadística. Si bien ese método era preciso, este nuevo método basado en IA presenta una precisión aún mayor y, además, puede revelar variaciones significativas en los estados electrónicos.
Destacando el impacto del estudio, el profesor Kotsugi afirma: «Nuestro método demuestra el potencial de la identificación estructural autónoma, abriendo nuevas posibilidades para el diseño de materiales basado en datos y el desarrollo de nuevos materiales».
El enfoque basado en IA ya se ha aplicado a diferentes conjuntos de datos experimentales. Próximamente, se implementará como software en el centro de radiación sincrotrónica Nano-Terasu. De cara al futuro, este innovador enfoque basado en IA acelerará el desarrollo de nuevos materiales, impulsando campos clave como los semiconductores, la catálisis y el almacenamiento de energía, y contribuyendo a la construcción de un futuro más sostenible.