Cómo la IA del MIT identifica defectos atómicos en materiales sin destruirlos

Por qué importar los defectos atómicos

En ciencias de materiales, los defectos atómicos no siempre son un problema: pueden ser la herramienta que permite mejorar la conductividad, la resistencia o la eficiencia de un material. Por eso, los fabricantes intencionalmente introducen defectos durante procesos como el dopado para optimizar semiconductores, aceros, celdas solares y materiales para baterías. Sin embargo, identificar con precisión qué defectos existen y en qué concentración en un producto terminado sigue siendo un reto—sobre todo si se quiere evitar destruir o cortar muestras para examinarlas.

Qué hicieron los investigadores del MIT

Un equipo del MIT diseñó un modelo de inteligencia artificial capaz de clasificar y cuantificar defectos puntuales utilizando datos de una técnica no invasiva: la dispersión de neutrones que mide las frecuencias vibracionales (espectros vibracionales) en sólidos. El modelo fue entrenado con una base computacional de 2,000 materiales semiconductores y abarca 56 elementos de la tabla periódica.

A diferencia de métodos convencionales que solo detectan cierto tipo de imperfecciones o que requieren preparar la muestra (por ejemplo, cortar láminas finas para microscopía electrónica), el enfoque del MIT puede identificar simultáneamente hasta seis tipos distintos de defectos puntuales y estimar concentraciones tan bajas como 0.2 por ciento. Los autores reportan que el modelo, basado en un mecanismo de atención múltiple —similar al que usan modelos de lenguaje como ChatGPT—, extrae las diferencias entre espectros de materiales defectados y no defectados para predecir los dopantes y sus concentraciones.

Técnicas tradicionales vs. el enfoque con IA

Las técnicas comunes para caracterizar defectos tienen limitaciones claras:

• Difracción de rayos X y aniquilación de positrones identifican ciertos defectos, pero no todos.
• Espectroscopía Raman puede diferenciar tipos de defectos, pero no siempre traduce eso en una concentración cuantitativa.
• Microscopía electrónica de transmisión (TEM) exige preparar muestras finas, lo cual es invasivo y no práctico para control de calidad en línea.

El nuevo enfoque combina la sensibilidad de los espectros vibracionales obtenidos mediante neutrones con el análisis de IA para decodificar señales mezcladas que, en la práctica, provienen de múltiples defectos. Según los autores, esto permite una caracterización más completa sin destruir la pieza inspeccionada.

Validación y límites demostrados

El equipo validó el modelo con datos experimentales y lo aplicó para medir concentraciones de defectos en una aleación usada en electrónica y en un material superconductor. También probaron escenarios complejos dopando materiales varias veces para introducir múltiples defectos; el modelo fue capaz de resolver hasta seis defectos mezclados.

A pesar del desempeño, los autores reconocen restricciones prácticas. La técnica de espectros vibracionales mediante neutrones es poderosa, pero la disponibilidad de instalaciones de neutrones es limitada. Además, aunque el concepto del espectro vibracional es simple, en la práctica la recolección y el análisis de esos datos requieren montajes experimentales complejos y acceso a laboratorios especializados.

Por qué importa para la industria y la región

Para fabricantes de semiconductores, microelectrónica, celdas solares y baterías, conocer con precisión qué defectos hay en un lote es crucial para garantizar rendimiento y confiabilidad. La posibilidad de identificar múltiples defectos de forma no invasiva abre la puerta a controles de calidad más exhaustivos y menos destructivos.

En América Latina, donde la industria de electrónica y la adopción de energías renovables están en crecimiento, esta técnica ofrece beneficios claros: mejores diagnósticos de materiales importados o locales, optimización de procesos de manufactura y reducción de pérdidas por productos fuera de especificación. Sin embargo, las limitaciones de infraestructura (por ejemplo, pocos centros con fuentes de neutrones) implican que la adopción inmediata a gran escala podría requerir estrategias regionales: colaboración entre universidades, centros de investigación y la industria, o acceso a servicios centralizados que ofrezcan este tipo de análisis.

Implicaciones para investigación y control de calidad

Este trabajo demuestra algo relevante: combinar espectros experimentales con modelos de aprendizaje automático avanzados puede revelar información que los métodos tradicionales no logran integrar fácilmente. Para laboratorios y empresas, esto sugiere dos caminos complementarios:

• Invertir en acceso a datos y en modelos que permitan aprovechar técnicas experimentales de alta precisión.
• Buscar alternativas experimentales más accesibles que generen señales comparables y puedan integrarse con modelos similares de IA.

Los autores ya señalan que existen otras configuraciones experimentales más simples relacionadas con espectros vibracionales, aunque no describen en detalle esas alternativas en el estudio. Esa línea de trabajo podría ser clave para llevar la técnica desde instalaciones especializadas a flujos de control de calidad más comunes.

Equipo y publicación

El artículo fue liderado por Mouyang Cheng (candidato a doctor en el Departamento de Ciencia e Ingeniería de Materiales) y el profesor Mingda Li (Departamento de Ciencia e Ingeniería Nuclear), con contribuciones de Chu-Liang Fu, Bowen Yu, Eunbi Rha, Abhijatmedhi Chotrattanapituk y personal del Oak Ridge National Laboratory, Douglas L. Abernathy y Yongqiang Cheng. El trabajo aparece publicado en la revista Matter.

Conclusión: un paso hacia caracterizaciones más completas

El modelo del MIT representa un avance significativo en la capacidad de caracterizar defectos atómicos de forma no destructiva y cuantitativa. Si bien la implementación industrial enfrenta retos logísticos por la dependencia de instalaciones de neutrones, la demostración de que un modelo de IA puede separar señales de hasta seis defectos simultáneos abre oportunidades para mejorar procesos de diseño, manufactura y control de calidad. En América Latina, la colaboración público-privada y el acceso a servicios especializados podrán ser elementos clave para aprovechar estos desarrollos en sectores estratégicos como la electrónica, la energía y el almacenamiento.