Motivación
La difracción de rayos X de polvos es una de las técnicas más recurridas en el análisis de muestras sólidas. Esta técnica permite conocer los diferentes componentes de una muestra, que se conocen como fases cristalinas. Además de poder hacer un análisis cualitativo de la muestra, mediante el método de Rietveld se pueden cuantificar estas fases, estimar el tamaño promedio del cristal y grado de deformación en el material, presencia de sustituciones o vacancias en el material cristalino.
La difracción de rayos X es un fenómeno que tiene su origen en la interacción del campo eléctrico de los rayos X con la densidad electrónica de un material cristalino. Este fenómeno además ocurre porque en los materiales cristalinos la separación entre planos atómicos es comparable a la longitud de onda los rayos X.
El producto de esta interacción, el patrón de difracción o difractograma, nos regala una imagen del espacio recíproco tridimensional de la distribución atómica. Esto es lo que se mide en un experimento de difracción de monocristal. No obstante, en un difractograma de polvos este espacio recíproco tridimensional es comprimido a uno unidimensional. Esta compresión da lugar una pérdida de información, que influye en el proceso de determinación de la estructura cristalina de nuevos compuestos.
Por otro lado, debido a su origen en la interacción con la densidad electrónica, las reflexiones observadas en un difractograma de polvos sugieren que puede establecerse una correlación con propiedades electrónicas y ópticas. Si esta correlación existe, puede que su expresión analítica sea complicada. Es aquí cuando las técnicas de inteligencia artificial tales como redes neuronales profundas entran en juego.
Objetivos
A través de técnicas de aprendizaje profundo, se busca que los usuarios de difracción de rayos X de polvos tengan acceso a información clave como:
- Propiedades electrónicas y ópticas de los materiales, como la brecha energética entre bandas (bandgap).
- Facilitar la determinación de la estructura cristalina de nuevos compuestos.
Logros
- Se cuenta con un banco de más de 800k difractogramas simulados de compuestos de tipo orgánico.
- Se han desarrollado redes neuronales que estiman la brecha energética de compuestos orgánicos (RMSE = 0.7282 eV), inorgánicos (RMSE = 0.8359 eV), e híbridos (RMSE=0.5780 eV) a partir de un patrón de polvos obtenido mediante difractómetros convencionales.
- Se han desarrollado redes neuronales que permiten estimar los parámetros de red de compuestos orgánicos con un tamaño de celda de hasta 30 Å por vector unitario. Con esto, se espera facilitar la determinación de la estructura de nuevos materiales orgánicos mediante la reducción del espacio de búsqueda de las dimensiones del tamaño de la celda unitaria.
Banco de datos de difractogramas de rayos X de materiales orgánicos
Se puede acceder directamente al banco de datos al hacer click en el enlace anterior. Este banco de datos forma parte del repositorio https://github.com/gomezperalta/insightsXRDCNN, que acompaña a la publicación hecha en Scripta Materialia (2025).
Agradecimientos
A la Secretaría de Ciencia, Humanidades, Tecnología e Innovación (Secihti) por la beca posdoctoral otorgada.
A la Dra. Patricia Quintana-Owen (Laboratorio de Nano y Biomateriales, CINVESTAV Mérida)
Al Laboratorio de Inteligencia Artificial para Ciencias Exactas (LIACE) del Instituto de Física de la UNAM (Dr. Xim Bokhimi)
gomezperalta.mx 