Inteligencia artificial y nanotecnología
La nanotecnología ha emergido como un campo científico multidisciplinario donde se busca estudiar, diseñar, sintetizar, controlar y manipular materia a escalas nanométricas, específicamente aquella que se encuentra en el rango de 1 a 100 nm. En estas escalas, la materia adquiere propiedades y funciones únicas que incentivan el desarrollo de tecnologías y aplicaciones novedosas. En 1959, el físico y ganador del Premio Nobel Richard Feynman anticipó las potenciales oportunidades que ofrecía la manipulación de materia a nivel atómico. Aun cuando la era de oro de la nanotecnología empezó en la década de los ochenta del siglo pasado con el descubrimiento de los fulerenos y el desarrollo de los nanotubos de carbón —por mencionar algunos ejemplos destacados— fue hasta el siglo XXI cuando se registró un crecimiento exponencial de aplicaciones industriales. Después de este hecho, en poco menos de medio siglo, la nanotecnología se ha convertido en la base de notables aplicaciones que impactan la vida diaria.
En el sector salud, por ejemplo, la nanotecnología ha revolucionado los dispositivos médicos de diagnóstico incluyendo biosensores, sistemas de administración de medicamentos y sondas de imagen (Hulla et al., 2015). Es interesante señalar que, para finales del año 2022, se estima que el valor del mercado mundial de los nanomateriales superará los 90,500 millones de dólares (Yan et al., 2020). Por supuesto, a raíz de la constante exposición humana a nanopartículas han surgido disciplinas científicas, como la nanotoxicología, que exploran los efectos adversos que estas nanopartículas podrían causar en la salud (Singh et al., 2020). En paralelo, la inteligencia artificial (IA) ha experimentado un desarrollo sin precedentes durante los últimos años, habilitando avances tecnológicos a un ritmo acelerado en múltiples contextos. El análisis de imágenes para diagnóstico médico (Lalmuanawma et al., 2020; Razzak et al., 2018; Shen et al., 2017), la modelación de sistemas (Brunton et al., 2022 y 2016; Chen et al., 2008) y la superresolución en imágenes (Wetzstein et al., 2020; Yang et al., 2019), reconocimiento de patrones para clasificación (Quiroz-Juárez et al., 2021) son algunas aplicaciones distinguidas donde los algoritmos de inteligencia artificial ofrecen desempeños sobresalientes.
La IA se puede definir como una disciplina de las ciencias computacionales que reúne un conjunto de técnicas que buscan crear sistemas que realizan tareas que normalmente son atribuidas a los seres humanos, con el fin de desempeñar tareas en las que algoritmos clásicos ofrecen resultados parcialmente satisfactorios o son costosos de implementar (Jackson, 2019). Esta disciplina combina el conocimiento de diferentes campos como biología evolutiva, ciencias de la computación, matemáticas y neurociencias. Desde sus inicios, los algoritmos de IA han demostrado una alta capacidad para reconocer patrones y extraer información relevante, sumergida en enormes cantidades de datos, lo cual sería imposible de lograr a través de una inspección visual estándar (Goodfellow et al., 2016; Murdoch et al., 2013). Es interesante mencionar como un aspecto inherente a la mayoría de los algoritmos de IA, rencia de una comprensión razonable de los mecanismos internos que llevan a la toma de decisiones para hacer una predicción en particular.
En modelos simples, como árboles de decisión, es posible realizar un seguimiento para comprender el engranaje que da lugar a las decisiones. Desafortunadamente, la cantidad de problemas que se pueden resolver con este tipo de modelos es limitada. En modelos complejos como redes neuronales, donde a menudo exhiben altos rendimientos para una gran variedad de problemas, suelen tratarse como algoritmos de caja negra, principalmente por la alta complejidad que presenta la interpretación de la sinapsis o conexiones formadas durante el entrenamiento y la alta dimensionalidad de las características que el modelo identifica como importantes para tomar decisiones. Sin embargo, recientemente se han reportado numerosos esfuerzos para explicar y/o interpretar el funcionamiento de estos algoritmos (Arrieta et al., 2020).
La combinación de la IA y la nanotecnología surge como una propuesta novedosa que promete resolver algunos de los retos clave presentes en nanomateriales, nanofotónica y desarrollo de nanodispositivos. En la literatura se han reportado diferentes esfuerzos que implementan técnicas de IA en investigación básica y aplicada en torno a nanociencias, por ejemplo, para la síntesis de nanomateriales acelerando el proceso de optimización de parámetros, diseño de nanodispositivos, y estudio de propiedades térmicas y dinámicas de nanofluidos (Gadzhimagomedova et al., 2022). En este artículo se bosqueja un contexto general donde la inteligencia artificial y la nanotecnología convergen para potencializar aplicaciones y desarrollo tecnológico. Se ha demostrado que el puente entre la inteligencia artificial y diferentes campos del conocimiento puede conducir a la generación de aplicaciones de alto impacto para la sociedad.
Modelado y simulación de nanoestructuras
Las simulaciones numéricas representan una herramienta útil para evaluar nuevos conceptos y acelerar procesos de diseño. En nanotecnología, la dinámica molecular es una técnica ampliamente usada para modelar y simular nanomateriales (Asproulis et al., 2009). Desafortunadamente, el tiempo de cálculo y los recursos computacionales para desarrollar simulaciones de “grano fino” son altamente demandantes y, con frecuencia, están limitadas por el tamaño de la molécula que se pretende simular (Rapaport et al., 2004). Asproulis et al., (2009) mostraron que las redes neuronales artificiales con arquitecturas multicapa pueden reducir la demanda computacional de simulaciones de dinámica molecular. Los autores entrenaron una red neuronal para predecir las trayectorias de 560 moléculas alrededor de un cilindro hueco que se encontraban sometidas a diferentes esfuerzos cortantes.
Después del entrenamiento, la red neuronal es capaz de predecir las coordenadas de las moléculas usando la información del esfuerzo y el paso de tiempo.Una estrategia que ha ganado fuerza es el entrenamiento de redes neuronales con datos de simulación numérica para resolver diferentes tareas. Sacha et al. (2009), por ejemplo, entrenaron una red neuronal multicapa con simulaciones numéricas para estimar la distancia entre punta-muestra, y la constante dieléctrica de un experimento de microscopía de fuerza electrostática, donde la punta escaneaba un nanotubo de carbón colocado en una muestra dieléctrica semi infinita. La misma metodología se probó en un sistema en el que se desconocían los parámetros geométricos de la sonda, tales como la longitud, el ángulo medio y el radio del vértice. Los resultados mostraron que la red neuronal es capaz de estimar la constante dieléctrica de la muestra sin poseer información a priori de la punta. Por su parte, la determinación de las propiedades elásticas de películas delgadas también se ha realizado a través de redes neuronales entrenadas con datos de simulaciones numéricas basadas en el método de elemento finito. Una vez que el algoritmo se ha entrenado, la red se usa para estimar el módulo de Young, la densidad, la relación de Poisson y el espesor de la película (Xu et al., 2004). Incluso se han diseñado redes neuronales para modelar las curvas de carga-desplazamiento de pruebas de nanoindentación. El algoritmo fue entrenado con respuestas de indentación para diferentes parámetros geométricos y materiales, las cuales fueron simuladas por modelos de elemento finito (Muliana et al., 2002).
En nanofotónica, convencionalmente, el modelado consiste en predecir las propiedades ópticas de estructuras fotónicas resolviendo las ecuaciones de Maxwell que gobiernan la propagación de la luz en ambientes fotónicos complejos a través de métodos numéricos (So et al., 2020). Con la integración de algoritmos de IA se ha logrado estimar soluciones removiendo el alto costo computacional, por caso, para aproximar la sección transversal de dispersión en nanopartículas núcleo-coraza (Peurifoy et al., 2018). Incluso se ha demostrado la posibilidad de realizar predicciones de las propiedades ópticas de un escenario específico a partir del conocimiento generalizado de otro problema físico que se encuentra relacionado. Este tipo de estrategia se conoce como transferencia de conocimiento, y consiste en aprovechar un modelo de aprendizaje automático previamente entrenado para resolver una tarea diferente pero que se puede enmarcar dentro del mismo contexto (Qu et al., 2019) [1].
La implementación de algoritmos de aprendizaje automático en la nanotecnología ha revolucionado significativamente la forma en que se realizan investigaciones y se desarrollan tecnologías a escala molecular. Estos algoritmos permiten a los científicos analizar grandes cantidades de datos y extraer patrones y relaciones que de otra manera serían difíciles de detectar.Uno de los mayores desafíos en la nanotecnología es la capacidad de manipular y controlar la materia a nivel molecular. Los algoritmos de aprendizaje automático han demostrado ser herramientas poderosas en este sentido, ya que pueden identificar patrones en los datos experimentales y predecir cómo se comportará un material en diferentes condiciones.
La nanomedicina es uno de los campos de la nanotecnología que ha experimentado avances significativos gracias a la implementación de algoritmos de aprendizaje automático. Estos algoritmos pueden analizar grandes bases de datos de información molecular y ayudar a los científicos a diseñar medicamentos y terapias personalizadas.
Por ejemplo, los algoritmos de aprendizaje automático pueden identificar patrones en los datos genómicos de un paciente y predecir qué medicamentos serán más efectivos para tratar una enfermedad específica. Esto permite un enfoque más preciso y personalizado en el tratamiento de enfermedades, lo que a su vez mejora los resultados y reduce los efectos secundarios.
En el campo de la medicina, los nanomateriales se utilizan para la fabricación de sensores y dispositivos de diagnóstico de alta precisión. Estos dispositivos son capaces de detectar y monitorizar enfermedades a nivel molecular, lo que permite un diagnóstico temprano y un tratamiento más efectivo.
Además, los nanomateriales también se utilizan en la entrega de fármacos de manera controlada y dirigida. Gracias a su capacidad para transportar y liberar sustancias de forma precisa, se pueden desarrollar terapias personalizadas y minimizar los efectos secundarios de los tratamientos [2].
[1] Mundo Nano | artículos de revisión | www.mundonano.unam.mx 16(31), 1e-14e, julio–diciembre 2023 | https://doi.org/10.22201/ceiich.24485691e.2023.31.69775 César Alberto Torres Solís, Mario Alan Quiroz Juárez.
[2]https://canalinnova.com/inteligencia-artificial-en-la-nanotecnologia-avances-a-escala-molecular/
