La inteligencia artificial aumenta la utilidad de los microscopios electrónicos

Con una resolución 1000 veces mayor que la de un microscopio óptico, los microscopios electrónicos son excepcionalmente buenos para obtener imágenes de materiales y detallar sus propiedades. Pero como todas las tecnologías, tienen algunas limitaciones.

Para superar estas limitaciones, los científicos se han centrado tradicionalmente en actualizar el hardware, que es costoso. Pero los investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) están demostrando que los desarrollos de software avanzados pueden impulsar aún más su rendimiento.

Los investigadores de Argonne han descubierto recientemente una forma de mejorar la resolución y la sensibilidad de un microscopio electrónico mediante el uso de un marco de inteligencia artificial (IA) de una manera única. Su enfoque, publicado en npj Computational Materials, permite a los científicos obtener información aún más detallada sobre los materiales y el microscopio en sí, lo que puede ampliar aún más sus usos.

«Nuestro método está ayudando a mejorar la resolución de los instrumentos existentes para que las personas no necesiten actualizarse a hardware nuevo y costoso con tanta frecuencia», dijo el científico asistente y autor principal de Argonne, Tao Zhou.

Desafíos de la microscopía electrónica en la actualidad

Los electrones actúan como ondas cuando viajan y los microscopios electrónicos aprovechan este conocimiento para crear imágenes. Las imágenes se forman cuando un material se expone a un haz de ondas de electrones. Al pasar, estas ondas interactúan con el material, y un detector captura y mide esta interacción. Estas medidas se utilizan para construir una imagen ampliada.

Además de crear imágenes ampliadas, los microscopios electrónicos también capturan información sobre las propiedades del material, como la magnetización y el potencial electrostático, que es la energía necesaria para mover una carga contra un campo eléctrico. Esta información se almacena en una propiedad de la onda de electrones conocida como fase. La fase describe la ubicación o el tiempo de un punto dentro de un ciclo de onda, como el punto donde una onda alcanza su pico.

Cuando se toman medidas, aparentemente se pierde información sobre la fase. Como resultado, los científicos no pueden acceder a información sobre magnetización o potencial electrostático a partir de las imágenes que adquieren.

«Conocer estas características es fundamental para controlar e diseñar las propiedades deseadas en los materiales para baterías, dispositivos electrónicos y otros dispositivos. Por eso es importante recuperar la información de fase», dijo el científico de materiales de Argonne y líder del grupo Charudatta Phatak, coautor del artículo.

Usar un marco de inteligencia artificial para recuperar información de fase

Recuperar información de fase es un problema de décadas. Se originó en las imágenes de rayos X y ahora es compartido por otros campos, incluida la microscopía electrónica. Para resolver este problema, el científico computacional y líder de grupo de Phatak, Zhou y Argonne, Mathew Cherukara, proponen aprovechar herramientas creadas para entrenar redes neuronales profundas, una forma de inteligencia artificial.

Las redes neuronales son esencialmente una serie de algoritmos diseñados para imitar el cerebro y el sistema nervioso humanos. Cuando se les da una serie de entradas y salidas, estos algoritmos buscan trazar la relación entre los dos. Pero para hacer esto con precisión, se deben entrenar las redes neuronales. Ahí es donde entran en juego los algoritmos de entrenamiento.

«Compañías de tecnología como Google y Facebook han desarrollado paquetes de software que están diseñados para entrenar redes neuronales. Lo que hemos hecho esencialmente es tomarlos y aplicarlos al desafío científico de la recuperación de fases», dijo Cherukara.

Usando estos algoritmos de entrenamiento, el equipo de investigación demostró una forma de recuperar información de fase. Pero lo que hace que su enfoque sea único es que también permite a los científicos recuperar información esencial sobre su microscopio electrónico.

«Normalmente, cuando estás tratando de recuperar la fase, asumes que conoces perfectamente los parámetros de tu microscopio. Sin embargo, ese conocimiento podría no ser exacto», señaló Zhou. «Con nuestro método, no tiene que confiar en esta suposición. En cambio, en realidad obtiene las condiciones de su microscopio, eso es algo que otros métodos de recuperación de fase no pueden hacer».

Su método también mejora la resolución y la sensibilidad de los equipos existentes. Esto significa que los investigadores podrán recuperar pequeños cambios de fase y, a su vez, obtener información sobre pequeños cambios en la magnetización y el potencial electrostático, todo sin requerir costosas actualizaciones de hardware.

«Con solo hacer una actualización de software pudimos mejorar la resolución espacial, la precisión y la sensibilidad de nuestra microscopía», dijo Zhou. «El hecho de que no necesitáramos agregar ningún equipo nuevo para aprovechar estos beneficios es una gran ventaja desde el punto de vista de un experimentalista».

El artículo, titulado «La programación diferencial permitió la obtención de imágenes funcionales con microscopía electrónica de transmisión de Lorentz», se publicó el 6 de septiembre.