Microscopios que hacen descubrimientos por su cuenta

Los microscopios han sido instrumentos al servicio de los observadores humanos, permitiéndoles a estos hacer muchos descubrimientos científicos. Pero ahora unos investigadores han encontrado un modo de que los microscopios decidan por su cuenta qué es más importante observar y hagan descubrimientos científicos por sí mismos.

Un equipo integrado, entre otros, por Maxim Ziatdinov y Yongtao Liu, ambos del Laboratorio Nacional de Oak Ridge (ORNL) en Estados Unidos, está dotando a algunos microscopios con la capacidad de hacer descubrimientos científicos por sí mismos mediante un algoritmo desarrollado en esa institución. Los descubrimientos que potencialmente pueden hacer tales microscopios están en el campo de los nuevos materiales para tecnologías energéticas, en el de la detección y en el de la computación.

"Hay muchos materiales potenciales, algunos de los cuales no podemos estudiar en absoluto con herramientas convencionales, que necesitan enfoques más eficientes y sistemáticos para diseñarlos y sintetizarlos", argumenta Ziatdinov. "Podemos utilizar la automatización inteligente para acceder a materiales inexplorados, así como crear una vía compartible y reproducible para realizar descubrimientos que antes no eran posibles".

La nueva estrategia combina la física y el aprendizaje automático (una modalidad de inteligencia artificial) para automatizar los experimentos de microscopía diseñados con el fin de estudiar propiedades clave de materiales a escala nanométrica.

Los microscopios de sonda de barrido (SPM por sus siglas en inglés) son una herramienta esencial para explorar las relaciones estructura-propiedad en los materiales. Esos microscopios escanean la superficie de los materiales con una sonda atómicamente afilada para trazar un mapa de la estructura a escala nanométrica. Un nanómetro es una milmillonésima parte de un metro. También pueden detectar las respuestas a una serie de estímulos, proporcionando información sobre mecanismos fundamentales de la conmutación de la polarización, la reactividad electroquímica, la deformación plástica o los fenómenos cuánticos. Los microscopios actuales pueden realizar un escaneo punto por punto de una cuadrícula nanométrica, pero el proceso puede ser minuciosamente lento, con mediciones recogidas durante días para un solo material.

Ya se ha recurrido al aprendizaje automático y a otras formas de inteligencia artificial para superar este reto, pero los algoritmos convencionales requieren grandes conjuntos de datos codificados por humanos y, al final, puede ocurrir que no ahorren tiempo.

Para lograr un enfoque más inteligente y eficaz de la automatización, el nuevo sistema del ORNL incorpora el razonamiento físico basado en la forma de pensar humana a los métodos de aprendizaje automático y utiliza conjuntos de datos muy pequeños (imágenes de menos del 1% de la muestra) como punto de partida. El algoritmo selecciona los puntos de interés basándose en lo que aprende dentro del experimento y en los conocimientos procedentes del exterior.

El sistema de inteligencia artificial ideado por el equipo del ORNL y especializado en microscopía promete aumentar la cantidad de descubrimientos científicos que se realizan en algunos campos mediante la observación con microscopios de sonda de barrido. (Ilustración artística: Adam Malin / ORNL, U.S. Dept. of Energy)

En una prueba con un tipo de materiales bien conocidos por la comunidad científica, un microscopio equipado con el nuevo sistema inteligente hizo un hallazgo relevante, algo no conocido previamente. Y lo hizo con suma rapidez: en solo unas pocas horas.

Los resultados fueron órdenes de magnitud más rápidos de lo que habría sido posible mediante los métodos de trabajo convencionales. Esto representa una nueva y prometedora dirección en la automatización inteligente.

Ziatdinov, Liu y sus colegas exponen los detalles técnicos de su innovación en la revista académica Nature Machine Intelligence, bajo el título “Experimental discovery of structure–property relationships in ferroelectric materials via active learning”. (Fuente: NCYT de Amazings)