Muchos patrones complejos que se ven en la naturaleza surgen cuando se rompe la simetría. A medida que un sistema pasa de un estado altamente simétrico a uno más ordenado, pueden aparecer irregularidades pequeñas pero estables. Estas características, conocidas como defectos topológicos, aparecen en una amplia gama de escalas, desde la estructura del universo hasta la materia ordinaria. Debido a que aparecen dondequiera que se forma el orden, brindan a los científicos una manera poderosa de comprender cómo se organizan los sistemas complejos.
Los cristales líquidos nemáticos proporcionan un entorno particularmente útil para estudiar estos defectos. En tales materiales, las moléculas pueden girar libremente mientras apuntan aproximadamente en la misma dirección. Esta combinación hace que los cristales líquidos sean más fáciles de controlar y observar, lo que permite a los investigadores rastrear cómo aparecen, migran y reorganizan los defectos con el tiempo. Tradicionalmente, los científicos describen estas estructuras utilizando la teoría de Landau-de Gennes, un marco matemático que explica cómo el orden molecular se rompe dentro de los núcleos defectuosos, donde la orientación ya no está claramente definida.
Pasos de la IA para acelerar la predicción de fallas
Investigadores dirigidos por el profesor Joon-Hee Na de la Universidad Nacional de Chungnam en la República de Corea han introducido una forma más rápida de predecir patrones de fallas estables utilizando el aprendizaje profundo. Su trabajo reemplaza simulaciones numéricas lentas y costosas desde el punto de vista computacional con un enfoque basado en inteligencia artificial que ofrece resultados mucho más rápido.
El método, publicado en la revista Small, puede producir predicciones en milisegundos en lugar de las horas que normalmente se requieren para las simulaciones convencionales.
“Nuestro enfoque complementa las simulaciones lentas con predicciones rápidas y fiables, lo que facilita la exploración sistemática de regímenes ricos en errores”, afirmó el profesor Na.
Dentro del modelo de aprendizaje profundo
El equipo construyó su sistema utilizando una arquitectura 3D U-Net, un tipo de red neuronal convolucional comúnmente utilizada en el análisis de imágenes científicas y médicas. Este diseño permite que el modelo detecte tanto alineamientos a gran escala como detalles locales finos asociados con fallas. En lugar de ejecutar la simulación paso a paso, el marco vincula directamente las condiciones de contorno con las condiciones de equilibrio final. La información de límites se envía a la red, que luego predice el campo de alineación molecular completo, incluido el tamaño y la ubicación de los defectos.
Para entrenar el modelo, los investigadores utilizaron datos de simulaciones tradicionales que cubrían muchos escenarios de alineación diferentes. Después del entrenamiento, la red pudo predecir con precisión configuraciones completamente nuevas que nunca antes había encontrado. Estas predicciones coincidieron estrechamente con los resultados de simulaciones y experimentos de laboratorio.
Manejo de errores complejos y de fusión
En lugar de depender de ecuaciones físicas explícitas, el modelo aprende el comportamiento del material directamente de los datos. Esto le da la flexibilidad para manejar casos particularmente complejos, incluidos defectos topológicos de orden superior donde los defectos pueden fusionarse, dividirse o reorganizarse. Las pruebas confirmaron que la IA capturó con precisión estos comportamientos, demostrando que funcionó de manera confiable en una amplia gama de condiciones.
Vía rápida hacia materiales avanzados
Dado que el método permite a los científicos explorar rápidamente muchas posibilidades de diseño, abre nuevas oportunidades para diseñar materiales con estructuras de defectos cuidadosamente controladas. Estas capacidades son especialmente valiosas para metamateriales y dispositivos ópticos avanzados.
“Al acortar considerablemente el proceso de desarrollo de materiales, el diseño impulsado por la IA puede acelerar la creación de materiales inteligentes para aplicaciones que van desde pantallas holográficas y de realidad virtual o realidad aumentada hasta sistemas ópticos adaptativos y ventanas inteligentes que responden a su entorno”, afirmó el profesor Na.
