.jpg)
Presentamos un marco innovador que utiliza aprendizaje automático para mapear y caracterizar defectos en aislantes topológicos con una resolución sin precedentes. Combinamos datos avanzados de microscopía de sonda de barrido con una red neuronal convolucional profunda diseñada sobre una arquitectura tipo U-Net con conexiones residuales para mejorar la extracción de características y evitar el problema del desvanecimiento del gradiente. El sistema fue entrenado con modelos sintéticos generados por simulación Monte Carlo y es capaz de identificar y clasificar imperfecciones a escala nanométrica, ofreciendo una mejora de aproximadamente 10 veces en la tasa de detección frente al análisis manual y aportando información cuantitativa sobre el impacto de los defectos en las propiedades electrónicas de los materiales.
Introducción: Los aislantes topológicos constituyen una clase de materiales con estados superficiales protegidos por la topología electrónica, de gran interés para spintrónica, computación cuántica y electrónica de bajo consumo. No obstante, la presencia de defectos puntuales y agregados reduce su rendimiento. La caracterización precisa de estos defectos es esencial para optimizar dispositivos y avanzar en la ingeniería de materiales. Los métodos tradicionales de análisis de imágenes SPM son manuales, lentos y limitados a escala nanométrica, por lo que proponemos un flujo automatizado y escalable basado en aprendizaje automático para mapear defectos con mayor eficiencia y reproducibilidad.
Metodología: marco híbrido SPM-DCNN. El sistema consta de tres módulos principales: adquisición de datos SPM, entrenamiento e inferencia del DCNN, y caracterización cuantitativa de defectos. Adquisición SPM: utilizamos microscopía de túnel de barrido en modo de corriente constante sobre muestras de Seleniuro de Bismuto Bi2Se3, con resolución subnanométrica optimizada por lazo de retroalimentación. Se escanaron áreas típicas de 50 nm por 50 nm en múltiples ubicaciones. Los datos crudos (x, y, z) se transformaron en imágenes en escala de grises para la entrada de la red, aplicando filtrado Savitzky-Golay para reducción de ruido.
Entrenamiento e inferencia del DCNN: la red emplea una U-Net con conexiones residuales para preservar detalles finos. El conjunto de entrenamiento es sintético, generado mediante simulaciones Monte Carlo que modelan tipos variados de defectos como vacantes, adátomos y dopantes, con parámetros de concentración entre 0 y 1 por ciento, radios entre 0,1 y 1 nm y contraste en escala de grises entre 0,1 y 0,9. Se creó un banco de 10 000 imágenes sintéticas etiquetadas. La función de pérdida empleada fue Binary Cross-Entropy y el optimizador Adam con tasa de aprendizaje 0,001 y tamaño de lote 64. En inferencia la red produce mapas de probabilidad por píxel que indican la probabilidad de defectos.
Caracterización y cuantificación: los mapas de probabilidad se segmentan mediante un umbral automático tipo Otsu y se refinan con operaciones morfológicas (erosión, dilatación, apertura y cierre) para eliminar artefactos. Las características extraídas incluyen densidad de defectos en defectos por nm², distribución de tamaños de defecto en histogramas de áreas, y la función de correlación por pares g(r) para analizar la disposición espacial y detectar agregación o dispersión. Además correlacionamos la densidad de defectos con la concentración de portadores superficiales medida por efecto Hall para evaluar el impacto electrónico.
Resultados y discusión: en el conjunto sintético la detección alcanzó 95 por ciento de exactitud, con precisión 92 por ciento y sensibilidad 98 por ciento. Aplicada a datos experimentales la metodología incrementó la detección efectiva de defectos en un factor cercano a 10 respecto al análisis manual estimado (3 defectos por imagen frente a 0,3 defectos por imagen). El conjunto de variables extraídas permitió observar una relación lineal entre densidad de defectos y concentración de portadores: un aumento de 1 por ciento en densidad de defectos se asoció a una disminución de aproximadamente 5 por ciento en la concentración de portadores superficiales con R² 0,85. El análisis espacial mostró tendencia al agrupamiento de defectos, señal de condiciones de crecimiento heterogéneas durante la síntesis.
Fórmula HyperScore e implementación: para sintetizar la calidad global del aislante topológico definimos una puntuación unificada Raw Score V en escala 0 a 1 y una función de agregación que enfatiza cambios relevantes en regiones críticas. Una forma compacta de la métrica es HyperScore = 100 × [1 + s(beta × ln(V) + gamma)ˆalpha] donde beta es un factor de aceleración que amplifica resultados altos, gamma actúa como desplazamiento de punto medio y alpha es un exponente que resalta valores críticos. La transformación logarítmica ln(V) hace al sistema más sensible a variaciones en niveles bajos, la función s( ) introduce comportamiento asintótico que estabiliza la salida para valores altos de V y el exponente potencia la discriminación. Para evitar estancamientos de régimen se incorpora un mecanismo de remuestreo cíclico con elementos aleatorios controlados y componentes de descomposición en valores singulares para robustecer la representación interna y mejorar la estabilidad numérica.
Escalabilidad y trabajo futuro: el marco es ampliable para procesar grandes volúmenes de datos y admitir técnicas SPM complementarias como AFM o espectroscopía. Líneas de trabajo incluyen aprendizaje multimodal combinando imágenes SPM con ARPES para caracterización más completa, mapeo de defectos en tiempo real en sistemas SPM de alto rendimiento y uso del sistema para guiar estrategias de ingeniería de defectos en TIs para adaptar propiedades electrónicas.
Aplicaciones prácticas y servicios Q2BSTUDIO: en Q2BSTUDIO somos una empresa de desarrollo de software especializada en soluciones a medida, inteligencia artificial aplicada a la industria y seguridad digital. Podemos adaptar este tipo de marcos de análisis para integrarlos en plataformas corporativas, construir paneles de visualización con Power BI y ofrecer agentes IA que automaticen la adquisición y el procesamiento de datos experimentales. Ofrecemos servicios de desarrollo de aplicaciones y software a medida para laboratorios y centros de I D, así como soluciones de inteligencia artificial para empresas que deseen implantar modelos de detección y análisis en producción. Además proporcionamos servicios de ciberseguridad y pentesting para proteger infraestructuras críticas, implementación y mantenimiento de infraestructuras cloud en AWS y Azure, y consultoría en servicios inteligencia de negocio y power bi para explotar al máximo los datos experimentales.
Verificación y rigor técnico: la validación combina métricas clásicas de aprendizaje automático y comprobaciones experimentales. La elevada precisión en datos sintéticos valida la capacidad de aprendizaje de la DCNN, mientras que el aumento de detección en datos reales y la correlación estadística con propiedades electrónicas confirman la relevancia física de las detecciones. Prácticas adicionales como remuestreo, validación cruzada, y control de falsos positivos fueron aplicadas para garantizar robustez y reproducibilidad.
Conclusión: la integración de microscopía de sonda de barrido con redes neuronales profundas ofrece una vía práctica y escalable para caracterizar defectos en aislantes topológicos con mayor rapidez y objetividad que los métodos manuales. Esta tecnología abre la puerta a optimizar procesos de síntesis y a diseñar dispositivos spintrónicos y componentes cuánticos más robustos. En Q2BSTUDIO estamos preparados para trasladar estos desarrollos a soluciones empresariales, desde software a medida y agentes IA hasta soluciones cloud y análisis avanzado con power bi, reforzando la seguridad y la eficiencia de sus procesos de I D y producción.
Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.
