Ilustración del funcionamiento interno de una red neuronal convolucional que calcula la probabilidad de que el patrón de difracción de entrada pertenezca a una clase determinada (por ejemplo, red de Bravais o grupo espacial). Crédito:Laboratorio Vecchio / Ciencia
Los nanoingenieros de la Universidad de California en San Diego han desarrollado un método basado en computadora que podría hacer que sea menos laborioso determinar las estructuras cristalinas de varios materiales y moléculas. incluidas las aleaciones, proteínas y productos farmacéuticos. El método utiliza un algoritmo de aprendizaje automático, similar al tipo utilizado en el reconocimiento facial y los coches autónomos, analizar de forma independiente los patrones de difracción de electrones, y hacerlo con al menos un 95% de precisión.
El trabajo aparece en la edición del 31 de enero de Ciencias .
Un equipo dirigido por el profesor de nanoingeniería de UC San Diego Kenneth Vecchio y su Ph.D. estudiante Kevin Kaufmann, quién es el primer autor del artículo, desarrolló el nuevo enfoque. Su método implica el uso de un microscopio electrónico de barrido (SEM) para recolectar patrones de difracción por retrodispersión de electrones (EBSD). En comparación con otras técnicas de difracción de electrones, como los de microscopía electrónica de transmisión (TEM), La EBSD basada en SEM se puede realizar en muestras grandes y analizar en múltiples escalas de longitud. Esto proporciona información local submicrónica mapeada a escalas de centímetros. Por ejemplo, un moderno sistema EBSD permite la determinación de estructuras de grano a escala fina, orientaciones de cristal, tensión o deformación residual relativa, y otra información en un solo escaneo de la muestra.
Sin embargo, el inconveniente de los sistemas comerciales de EBSD es la incapacidad del software para determinar la estructura atómica de las redes cristalinas presentes en el material que se analiza. Esto significa que un usuario del software comercial debe seleccionar hasta cinco estructuras cristalinas que se presume están en la muestra y luego el software intenta encontrar coincidencias probables con el patrón de difracción. La naturaleza compleja del patrón de difracción a menudo hace que el software encuentre coincidencias de estructuras falsas en la lista seleccionada por el usuario. Como resultado, la precisión de la determinación del tipo de celosía del software existente depende de la experiencia del operador y del conocimiento previo de su muestra.
El método que desarrolló el equipo de Vecchio hace todo esto de forma autónoma, como la red neuronal profunda analiza de forma independiente cada patrón de difracción para determinar la red cristalina, de todos los tipos de estructuras de celosía posibles, con un alto grado de precisión (superior al 95%).
Una amplia gama de áreas de investigación, incluida la farmacología, biología estructural, y se espera que la geología se beneficie del uso de algoritmos automatizados similares para reducir la cantidad de tiempo requerido para la identificación estructural de cristales, dijeron los investigadores.