Aunque pueden llegar a alcanzar una resolución mil veces mayor que la de un microscopio de luz, los microscopios electrónicos cuentan lógicamente con un límite de ampliación, tal como cualquier tecnología.
Buscando superar estas barreras, científicos del Laboratorio Argonne desarrollaron un sistema de IA que permite impulsar aún más el rendimiento de estos instrumentos a través de un software.
Un nuevo impulso para los microscopios electrónicos
Los microscopios electrónicos son excepcionalmente buenos para obtener imágenes de materiales y detallar sus propiedades. En aquello radicó el interés para desarrollar esta tecnología.
Los investigadores de Argonne descubrieron una forma de mejorar la resolución y la sensibilidad de un microscopio electrónico, aprovechando tecnologías de IA ya existentes para ampliar el uso de estos instrumentos.
«Nuestro método está ayudando a mejorar la resolución de los instrumentos existentes para que las personas no necesiten actualizar a un nuevo hardware costoso con tanta frecuencia», dijo Tao Zhou, científico asistente de Argonne y autor principal de esta investigación.
Junto con la capacidad de ampliar imágenes, los microscopios electrónicos también capturan información sobre las propiedades del material, como su nivel de magnetización y su potencial electrostático, que corresponde a la energía requerida para desplazar una carga contra un campo eléctrico. Esta información se guarda en una propiedad de la onda electrónica medida por el microscopio, denominada fase. La fase describe la ubicación o el momento de un punto dentro de un ciclo de onda, como el punto donde una onda alcanza su punto máximo.
Al tomar medidas, la información sobre la fase aparentemente se pierde. Como producto, los científicos suelen perder acceso a la información sobre la magnetización o el potencial electrostático de las imágenes que capturan.
«Conocer estas características es fundamental para controlar y diseñar las propiedades deseadas en materiales para baterías, electrónica y otros dispositivos. Es por eso que recuperar la información de la fase es importante», comentó la científica de materiales de Argonne y líder del grupo Charudatta Phatak, coautora del artículo.
Bajo el contexto de la inteligencia artificial, los algoritmos diseñados como redes neuronales funcionan tal como su nombre sugiere, imitando la dinámica del cerebro humano y el sistema nervioso. «Empresas 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», señaló Mathew Cherukara, líder del equipo de investigación.
Utilizando estos algoritmos de entrenamiento, el equipo de investigación demostró dos logros: recuperar la información de fase y además, recuperar información importante sobre el microscopio electrónico en uso, algo único según los investigadores.
«Normalmente, cuando intenta recuperar la fase, presume que conoce perfectamente los parámetros de su microscopio. Sin embargo, ese conocimiento podría no ser preciso», dijo Zhou. “Con nuestro método, no tiene que confiar en esta suposición. En cambio, en realidad obtienes las condiciones de tu microscopio, eso es algo que otros métodos de recuperación de fases no pueden hacer», agregó.
Esta mejora no podría verse sólo en nueves equipos, pues también aplica como una mejora de resolución y sensibilidad para los equipos existentes. «Con solo hacer una actualización de software pudimos mejorar la resolución espacial, la precisión y la sensibilidad de nuestra microscopía», afirmó 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», sentenció.