La doctoranda del MIT Nina Andrejević y su hermana gemela Jovana, candidata a doctora en la Universidad de Harvard, han desarrollado un método más rápido para probar materiales energéticamente eficientes.
El método combina técnicas de espectroscopía y de aprendizaje automático para identificar propiedades novedosas y valiosas en la materia.
Los enfoques experimentales actuales para identificar materiales topológicos son técnicamente complejos e imprecisos, y podrían descartar candidatos viables.
Nacida en una familia de arquitectos, Nina Andrejević disfrutaba de niña, en Serbia, dibujando planos de su casa y de otros edificios. Ella y su hermana gemela compartían esta pasión, así como el gusto por las matemáticas y las ciencias. Con el tiempo, estos intereses confluyeron en un camino académico que comparte algunos rasgos con la profesión familiar, según explica Andrejević, doctoranda en ciencia e ingeniería de materiales en el MIT.
“La arquitectura es a la vez un campo creativo y técnico, en el que se intenta optimizar las características que se desean para determinados tipos de funcionalidad, como el tamaño de un edificio o la distribución de las habitaciones de una casa”, afirma. Según cree, el trabajo de Andrejević en aprendizaje automático se parece al de los arquitectos: “Partimos de un terreno vacío —un modelo matemático con parámetros aleatorios— y nuestro objetivo es entrenar este modelo, llamado red neuronal, para que tenga la funcionalidad que deseamos.”
Andrejević es doctoranda dirigida por Mingda Li, profesor adjunto del Departamento de Ciencia e Ingeniería Nucleares. Como asistente de investigación en el Grupo de Medición Cuántica de Li, entrena sus modelos de aprendizaje automático para buscar rasgos nuevos y útiles en los materiales. Su trabajo con el laboratorio ha aparecido en revistas de tanto prestigio como Nature Communications, Advanced Science, Physical Review Letters, y Nano Letters.
Un área de especial interés para su grupo son los materiales topológicos. “Estos materiales son una fase exótica de la materia que puede transportar electrones por la superficie sin pérdida de energía”, explica. “Esto los hace muy interesantes para desarrollar tecnologías más eficientes desde el punto de vista energético.”
Junto con su hermana Jovana, doctoranda en física aplicada en Harvard, Andrejević ha desarrollado un método para analizar muestras de materiales y predecir la presencia de características topológicas, más rápido y versátil que otros métodos.
Si el objetivo último es “producir tecnologías de mayor rendimiento y ahorro energético”, afirma, “primero debemos saber qué materiales son buenos candidatos para estas aplicaciones, y eso es algo que nuestra investigación puede ayudar a confirmar.”
Trabajar juntas
Las semillas de esta investigación se sembraron hace más de un año. “Mi hermana y yo siempre decíamos que sería genial hacer un proyecto juntas, y cuando Mingda sugirió este estudio de materiales topológicos, se me ocurrió que podíamos convertirlo en una colaboración formal”, explica Andrejević. Según señala, las hermanas se parecen más que la mayoría de los gemelos y comparten muchos intereses académicos. “Ser gemela es una parte muy importante de mi vida, y trabajamos muy bien juntas, ayudándonos en áreas que no dominamos.”
El trabajo de tesis de Andrejević, que abarca varios proyectos, emplea técnicas espectroscópicas especializadas y análisis de datos, reforzados por el aprendizaje automático, que puede encontrar patrones en enormes cantidades de datos con más eficiencia que incluso los ordenadores de mayor capacidad de cálculo.
“El hilo conductor de todos mis proyectos es la idea de intentar acelerar o mejorar nuestra comprensión al aplicar estas herramientas de caracterización, y así obtener información más útil que con modelos más tradicionales o aproximados”, afirma. La investigación de las gemelas sobre materiales topológicos es un buen ejemplo de ello.
Para descubrir propiedades novedosas y potencialmente útiles de los materiales, los investigadores deben examinarlos a escala atómica y cuántica. Las técnicas de espectroscopía de neutrones y de fotones pueden ayudar a captar estructuras y dinámicas hasta ahora no identificadas, y determinar cómo el calor, los campos eléctricos o magnéticos y la tensión mecánica afectan a los materiales a escala liliputiense. Las leyes que rigen este ámbito, en el que los materiales no se comportan como podrían hacerlo a macroescala, son las de la mecánica cuántica.
Los enfoques experimentales actuales para identificar materiales topológicos son técnicamente complejos e imprecisos, y podrían descartar candidatos viables. Las hermanas creyeron que podían evitar estos inconvenientes mediante una técnica de imagen muy utilizada, llamada espectroscopía de absorción de rayos X (XAS), combinada con una red neuronal entrenada. La XAS envía haces de rayos X enfocados a la materia para ayudar a cartografiar su geometría y su estructura electrónica. Los datos de radiación que proporciona ofrecen una firma única del material analizado.
“Queríamos desarrollar una red neuronal que pudiera identificar la topología a partir de la firma XAS de un material, una medición mucho más accesible que la de otros enfoques”, afirma Andrejević. “Esto nos permitiría, esperamos, examinar una categoría mucho más amplia de posibles materiales topológicos.”
Durante meses, los investigadores alimentaron su red neuronal con información de dos bases de datos: una contenía materiales predichos teóricamente como topológicos, y la otra, datos de absorción de rayos X de una amplia gama de materiales. “Una vez entrenado adecuadamente, el modelo debería servir como herramienta que lee nuevas firmas XAS que nunca ha visto antes y te indica si el material que produjo el espectro es topológico”, explica Andrejević.
La técnica del dúo de investigadoras ha mostrado resultados prometedores, que ya han publicado en un preprint titulado “Indicadores espectrales de topología mediante aprendizaje automático.” “Para mí, lo emocionante de estos proyectos de aprendizaje automático es observar algunos patrones subyacentes y poder entenderlos en términos de magnitudes físicas”, afirma Andrejević.
Hacia los estudios de materiales
Fue durante su primer año en la Universidad de Cornell cuando Andrejević experimentó por primera vez el placer de observar la materia en un nivel íntimo. Tras un curso de nanociencia y nanoingeniería, se unió a un grupo de investigación que obtenía imágenes de materiales a escala atómica. “Me considero una persona muy visual, y esta idea de poder ver cosas que hasta entonces solo eran ecuaciones o conceptos —eso fue realmente emocionante—”, afirma. “Esta experiencia me acercó al campo de la ciencia de materiales.”
El aprendizaje automático, fundamental en el trabajo de doctorado de Andrejević, también será central en su vida después del MIT. Cuando se gradúe este invierno, se incorporará directamente al Laboratorio Nacional Argonne, donde ha obtenido la prestigiosa beca Maria Goeppert Mayer, otorgada “a nivel internacional a científicos e ingenieros con doctorado destacados que se encuentran en etapas iniciales de carreras prometedoras”. “Trataremos de diseñar redes neuronales basadas en la física, con especial atención a los materiales cuánticos”, afirma.
Esto supondrá despedirse de su hermana, de quien nunca ha estado separada durante mucho tiempo. “Será muy diferente”, afirma Andrejević. Pero, añade, “¡espero que Jovana y yo sigamos colaborando en el futuro, sin importar la distancia!”
