La fabricación de mejores baterías, productos electrónicos más rápidos y productos farmacéuticos más eficaces depende del descubrimiento de nuevos materiales y de la comprobación de su calidad. La inteligencia sintético 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, repasar 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 incremento y la distribución de nuevas tecnologías.
Ahora, una nueva aparejo de inteligencia sintético 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 el diario Asuntolos investigadores presentan «SpectroGen», una aparejo de inteligencia sintético generativa que potencia las capacidades de escaneo al llevar a cabo como un espectrómetro supuesto. La aparejo 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 útil.
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 cronometrar la calidad de un material y, por lo militar, requiere flujos de trabajo tediosos en múltiples instrumentos costosos y distintos para cronometrar.
Con SpectroGen, los investigadores prevén que se puede realizar una disparidad de mediciones utilizando un zona de influencia físico único y más financiero. Por ejemplo, una tendencia 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 crear automáticamente los espectros de rayos X del material, sin que la taller tenga que mantener y ejecutar un laboratorio de escaneo de rayos X separado, a menudo más costoso.
La nueva aparejo 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 quizás sólo en una modalidad única, simple y permuta», dice la líder del estudio, Porcelana Tadesse, profesora asistente de ingeniería mecánica en el MIT. «Luego se puede utilizar SpectroGen para crear el resto. Y esto podría mejorar la productividad, la eficiencia y la calidad de la fabricación».
El estudio fue dirigido por Tadesse, con el ex postdoctorado del MIT Yanmin Zhu como primer autor.
Más allá de los bonos
El agrupación interdisciplinario de Tadesse en el MIT es pionero en tecnologías que promueven la vitalidad humana y planetaria, desarrollando innovaciones para aplicaciones que van desde el dictamen rápido de enfermedades hasta la agricultura sostenible.
«El dictamen de enfermedades y el investigación de materiales en militar implica generalmente escanear muestras y recoger 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 positivo».
Zhu señaló el uso cada vez veterano de herramientas de IA generativa para descubrir nuevos materiales y candidatos a fármacos, y se preguntó si la IA incluso podría aprovecharse para crear datos espectrales. En otras palabras, ¿podría la IA llevar a cabo como un espectrómetro supuesto?
Un espectroscopio prueba las propiedades de un material enviando luz de una determinada distancia de onda al material. Esa luz hace que los enlaces moleculares en el material vibren de forma 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 analizar como una firma de la estructura del material.
Para que la IA genere datos espectrales, el enfoque convencional implicaría entrenar un cálculo para examinar las conexiones entre los átomos físicos y las características de un material, y los espectros que producen. Dada la complejidad de las estructuras moleculares en el interior de un solo material, Tadesse dice que este enfoque puede volverse rápidamente intratable.
«Hacer esto incluso con un solo material es inverosímil», 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 misterioso, 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 cálculo diferente 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 cálculo que luego incorporaron a un maniquí de IA generativa.
“Es una IA generativa con conocimientos de física que entiende qué son los espectros», dice Tadesse. «Y la novedad secreto es que interpretamos los espectros no como si provinieran de sustancias químicas y enlaces, sino que en efectividad son matemáticas: curvas y gráficos, que una aparejo de IA puede entender e interpretar».
Copiloto de datos
El equipo demostró su aparejo SpectroGen AI en un gran conjunto de datos adecuado públicamente de más de 6.000 muestras minerales. Cada muestra incluye información sobre las propiedades del mineral, como su composición primitivo y estructura cristalina. Muchas muestras del conjunto de datos incluso 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 aparejo de inteligencia sintético, incluso conocida como red neuronal, para instruirse 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 crear cómo debería encontrarse un espectro en una modalidad totalmente diferente, como en rayos X.
Una vez que entrenaron la aparejo 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 aparejo 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 útil físico. Los investigadores llevaron a término pruebas similares con otros minerales y descubrieron que la aparejo 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 incorporación, en menos de un minuto», afirma Zhu.
El equipo dice que SpectroGen puede crear espectros para cualquier tipo de mineral. En un entorno de fabricación, por ejemplo, los materiales de saco mineral que se utilizan para elaborar 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 sintético multiagente pueden repasar 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 micción de diferentes industrias».
El equipo está explorando formas de adaptar la aparejo de inteligencia sintético para el dictamen de enfermedades y el seguimiento agrícola a través de un próximo plan financiado por Google. Tadesse incluso está avanzando la tecnología en el campo a través de una nueva startup y prevé que SpectroGen esté adecuado para una amplia abanico de sectores, desde productos farmacéuticos hasta semiconductores y defensa.