Tal vez no pueda distinguir un libro por su portada, pero según los investigadores del MIT, ahora se puede hacer esto con materiales de todo tipo, desde una pieza de un avión hasta un implante médico. Su nuevo método permite a los ingenieros averiguar qué sucede en el interior simplemente observando las propiedades de la superficie del material.

El equipo usó un tipo de aprendizaje automático conocido como aprendizaje profundo para comparar un gran conjunto de datos simulados sobre los campos de fuerza externos de los materiales y la estructura interna correspondiente, y lo utilizó para generar un sistema que podría hacer predicciones confiables del interior a partir de los datos de la superficie.

Los resultados se publican en la revista Advanced Materials, en un artículo del estudiante de doctorado Zhenze Yang y el profesor de ingeniería civil y ambiental Markus Buehler.

“Es un problema muy común en ingeniería”, explica Buehler. “Si se tiene una pieza de material, puede que sea la puerta de un automóvil o la pieza de un avión, y quiere saber qué hay dentro de ese material, se puede medir las tensiones en la superficie tomando imágenes y calculando cuánta deformación hay. Pero realmente no se puede mirar dentro del material. La única forma de hacerlo es cortándolo y luego mirando dentro para ver si hay algún tipo de daño”.

También es posible utilizar rayos X y otras técnicas, pero tienden a ser costosas y requieren un equipo voluminoso, dice. “Entonces, lo que hemos hecho es básicamente hacer la pregunta: ¿podemos desarrollar un algoritmo de inteligencia artificial que observe lo que sucede en la superficie, que se pueda ver fácilmente usando un microscopio o tomando una foto, o tal vez simplemente midiendo cosas en la superficie del material, y luego intentar averiguar qué ocurre realmente en el interior?" Esa información privilegiada puede incluir daños, grietas o tensiones en el material, o detalles de su microestructura interna.

El mismo tipo de preguntas también se puede aplicar a los tejidos biológicos, añade. “¿Hay alguna enfermedad allí, o algún tipo de crecimiento o cambios en el tejido?” El objetivo era desarrollar un sistema que pudiera responder a este tipo de preguntas de forma completamente no invasiva.

Lograr ese objetivo implicaba abordar las complejidades, incluido el hecho de que "muchos de estos problemas tienen múltiples soluciones", afirma Buehler. Por ejemplo, muchas configuraciones internas diferentes pueden presentar las mismas propiedades superficiales. Para lidiar con esa ambigüedad, "hemos creado métodos que pueden brindarnos todas las posibilidades, todas las opciones, básicamente, que podrían resultar en este escenario [superficial] particular".

La técnica que desarrollaron implicó entrenar un modelo de IA utilizando grandes cantidades de datos sobre medidas de superficie y las propiedades interiores asociadas con ellas. Esto incluía no solo materiales uniformes, sino también otros con diferentes materiales combinados. “Algunos aviones nuevos están hechos de materiales compuestos, por lo que tienen diseños deliberados de tener diferentes fases”, dice Buehler. “Y, por supuesto, también en biología, cualquier tipo de material biológico estará hecho de múltiples componentes y tendrán propiedades muy diferentes, como en el hueso, donde tienes proteínas muy blandas y luego sustancias minerales muy rígidas”.

La técnica funciona incluso para materiales cuya complejidad no se entiende completamente, afirma. “Con el tejido biológico complejo, no entendemos exactamente cómo se comporta, pero podemos medir el comportamiento. No tenemos una teoría para ello, pero si tenemos suficientes datos recopilados, podemos entrenar el modelo”.

Yang afirma que el método que han desarrollado es ampliamente aplicable. “No se limita solo a problemas de mecánica de sólidos, sino que también se puede aplicar a diferentes disciplinas de la ingeniería, como la dinámica de fluidos y otros tipos”. Buehler añade que se puede aplicar para determinar diversas de propiedades, no solo tensión y deformación, sino también los campos de fluidos o los campos magnéticos, por ejemplo, los campos magnéticos al interior de un reactor de fusión. Es “muy universal, no solo para diferentes materiales, sino también para distintas disciplinas”.

Yang comenta que inicialmente comenzó a pensar en este enfoque cuando estaba estudiando los datos de un material donde parte de las imágenes que estaba usando estaban borrosas, y se preguntó cómo podría ser posible "llenar el espacio en blanco" de los datos que faltan en el área borrosa. "¿Cómo podemos recuperar esta información faltante?" se preguntó. Leyendo un poco más, descubrió que este era un ejemplo de un problema generalizado, conocido como el problema inverso, que consiste en intentar recuperar la información que falta.

El desarrollo del método implicó un proceso iterativo, en el que el modelo hacía predicciones preliminares, las comparaba con datos reales sobre el material en cuestión y, a continuación, afinaba aún más el modelo para ajustarlo a esa información. El modelo resultante se probó en casos en los que los materiales se conocían lo suficientemente bien como para poder calcular sus verdaderas propiedades internas, y las predicciones del nuevo método se ajustaron bien a esas propiedades calculadas.

Los datos de entrenamiento incluyeron imágenes de las superficies, pero también varios otros tipos de mediciones de las propiedades de la superficie, incluidas las tensiones y los campos eléctricos y magnéticos. En muchos casos, los investigadores utilizaron datos simulados basados ​​en la comprensión de la estructura subyacente de un material determinado. E incluso, cuando un nuevo material tiene muchas características desconocidas, el método aún puede generar una aproximación lo suficientemente buena como para brindar orientación a los ingenieros con una dirección general sobre cómo realizar más mediciones.

Como ejemplo de cómo podría aplicarse esta metodología, Buehler señala que hoy en día los aviones suelen inspeccionarse probando unas pocas zonas representativas con métodos caros como los rayos X, porque no sería práctico probar todo el avión. "Se trata de un enfoque diferente, que permite recopilar datos y hacer predicciones de forma mucho menos costosa", explica Buehler. "A partir de ahí puedes tomar decisiones sobre dónde quieres buscar y quizá utilizar equipos más caros para probarlo".

Para empezar, espera que este método, que está disponible gratuitamente para que cualquiera lo use a través del sitio web GitHub, se aplique principalmente en entornos de laboratorio, por ejemplo, en la prueba de materiales utilizados para aplicaciones de robótica blanda.

Para tales materiales, dice: "Podemos medir cosas en la superficie, pero muchas veces no tenemos idea de lo que sucede dentro del material, porque está hecho de un hidrogel, proteínas o biomateriales para actuadores, y no hay teoría para ello. Entonces, esa es un área donde los investigadores podrían usar nuestra técnica para hacer predicciones sobre lo que sucede en el interior y, tal vez, diseñar mejores pinzas o mejores materiales compuestos”, agrega.

La investigación fue apoyada por la Oficina de Investigación del Ejército de EE. UU., la Oficina de Investigación Científica de la Fuerza Aérea, la plataforma GoogleCloud y MIT Quest for Intelligence.

Autor