La búsqueda para descubrir nuevas estructuras cristalinas en materiales ha sido durante mucho tiempo una piedra angular de la exploración científica, y tiene implicaciones críticas en diversas industrias que van desde la electrónica hasta la farmacéutica. Los materiales cristalinos, definidos por sus disposiciones atómicas ordenadas, desempeñan un papel importante en los avances tecnológicos. La identificación y caracterización precisa de estas estructuras se ha basado convencionalmente en métodos como la difracción de rayos X en polvo. Sin embargo, la aparición de muestras multifásicas con mezclas intrincadas de diferentes estructuras cristalinas ha planteado desafíos para una identificación precisa.
Para abordar este desafío, un estudio realizado por investigadores de la Universidad de Ciencias de Tokio (TUS), Japón, en colaboración con instituciones reconocidas, introdujo un nuevo modelo de aprendizaje profundo. La investigación describe el desarrollo de un clasificador binario basado en aprendizaje automático capaz de detectar una elusiva fase cuasicristal icosaédrica (i-QC) a partir de patrones de difracción de rayos X de polvo multifásico.
Los investigadores construyeron un clasificador binario empleando 80 redes neuronales convolucionales. Entrenaron este modelo utilizando patrones de difracción de rayos X multifásicos sintéticos diseñados para simular patrones de fase i-QC anticipados. Tras un riguroso entrenamiento, el modelo mostró un rendimiento notable, con una precisión superior al 92%. Detectó eficazmente una fase i-QC desconocida dentro de aleaciones multifásicas de Al-Si-Ru, lo que confirma su destreza en el análisis de 440 patrones de difracción medidos de diversos materiales desconocidos en seis sistemas de aleaciones.
Sorprendentemente, la capacidad del modelo se extendió más allá de la detección de componentes predominantes, identificando con éxito la elusiva fase de i-QC incluso cuando no era el componente principal de la mezcla. Además, su potencial se extiende más allá de las fases de i-QC, lo que sugiere aplicabilidad en la identificación de nuevos cuasicristales decagonales y dodecagonales y diversos materiales cristalinos.
El modelo muestra una precisión que promete acelerar el proceso de identificación de muestras multifásicas. Este avance, reforzado por el éxito del modelo, está preparado para revolucionar la ciencia de los materiales al acelerar la identificación de fases, que es crucial en sílice mesoporosa, minerales, aleaciones y cristales líquidos.
El impacto de este estudio trasciende la mera identificación de fases cuasicristalinas; introduce un cambio de paradigma en el análisis de materiales. Sus posibles aplicaciones en diversos sectores industriales, desde la optimización del almacenamiento de energía hasta el avance de la electrónica, son prometedoras para avances tecnológicos transformadores.
Esta investigación significa un paso notable hacia la revelación de nuevas fases dentro de los cuasicristales, lo que permite a los científicos navegar por territorios inexplorados en la ciencia de los materiales. El trabajo pionero del equipo enriquece nuestra comprensión de las estructuras cristalinas y presagia una nueva era de descubrimiento e innovación acelerados en la ciencia de los materiales.
Revisar la Papel y Blog. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 33k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
Niharika es pasante de consultoría técnica en Marktechpost. Es estudiante de tercer año y actualmente cursa su licenciatura en tecnología en el Instituto Indio de Tecnología (IIT), Kharagpur. Es una persona muy entusiasta con un gran interés en el aprendizaje automático, la ciencia de datos y la inteligencia artificial y una ávida lectora de los últimos avances en estos campos.