Durante el último siglo, el desarrollo de la ciencia de materiales ha dependido de la determinación cada vez con mayor precisión de las disposiciones atómicas, es decir, de la estructura cristalina y sus propiedades. Con este fin, se aplica la difracción de rayos-X (XRD, del inglés X-ray diffraction), y la condición sine qua non es contar con un cristal simple o monocristal, pero esto no siempre es viable, especialmente con cúmulos atómicos de tamaño nanométrico (menores a 1000 Å), conocido como el problema de la nanoestructura. En estos casos, los patrones de difracción de polvos (PXRD) se degradan por el ensanchamiento, la pérdida de intensidad y la superposición de los picos de Bragg.
Investigadores de Estados Unidos y Alemania, propusieron un procedimiento que utiliza un modelo generativo* de aprendizaje automático (o generative machine learning) mediante procesos de difusión, entrenado con las 45,229 estructuras conocidas. El modelo empleado, PXRDnet, condicionado únicamente por la fórmula química del compuesto, puede resolver nanocristales simulados de hasta 10 Å en 200 materiales con distintas simetrías y complejidades, incluyendo los siete sistemas cristalinos.
PXRDnet identifica candidatos estructurales correctos en 4 de cada 5 casos, con un error promedio de tan solo el 7 % en el factor de refinamiento Rietveld R. Además, puede resolver estructuras a partir de patrones de difracción ruidosos obtenidos experimentalmente.
Los autores sostienen que este enfoque basado en datos, autoconsistente con simulaciones teóricas (“bootstrapped”), abre nuevas posibilidades para determinar estructuras de nanomateriales previamente no resueltas. Sin embargo, el modelo presenta limitaciones: requiere conocer previamente la fórmula química, y solo considera estructuras con menos de 20 átomos por celda unidad.
*El término “generativo” aplicado al aprendizaje automático describe una clase de modelos estadísticos que contrasta con los modelos discriminativos. Los “modelos generativos” pueden generar instancias de datos nuevas. Los modelos discriminativos disciernen entre diferentes tipos de instancias de datos.
El trabajo fue publicado por Nature Materials