Investigadores de la Universidad Federal de S\u00e3o Carlos (UFSCar) demostraron que es posible seguir un camino menos laborioso y m\u00e1s r\u00e1pido para crear un vidrio con propiedades espec\u00edficas.\u00a0 Vali\u00e9ndose de t\u00e9cnicas de inteligencia artificial, el grupo de cient\u00edficos comenz\u00f3 a trabajar a partir de las caracter\u00edsticas que deb\u00eda presentar un material \u00fatil destinado a la fabricaci\u00f3n de lentes para las c\u00e1maras de computadoras y celulares y, en pocos d\u00edas, pudo identificar distintas f\u00f3rmulas con las cuales elaborar este tipo de vidrio. Es un recorrido inverso al que han seguido los expertos durante los \u00faltimos 400 a\u00f1os. Con el m\u00e9todo tradicional, los maestros vidrieros, qu\u00edmicos e investigadores del \u00e1rea de las ciencias de materiales, bas\u00e1ndose en ensayo y error y en la experiencia acumulada, mezclan compuestos en diversas proporciones, que posteriormente son fundidos y enfriados. Solo entonces es posible saber si el resultado de la combinaci\u00f3n es un vidrio y conocer sus propiedades.<\/p>\n
\u201cA partir de esta nueva estrategia, ya en la primera tanda de experimentos hemos logrado producir en laboratorio dos tipos de vidrios con las caracter\u00edsticas estipuladas\u201d, relata el ingeniero de materiales Edgar Dutra Zanotto, coordinador del Laboratorio de Materiales V\u00edtreos (LaMaV) de la UFSCar y del Centro de Investigaci\u00f3n, Educaci\u00f3n e Innovaciones en Vidrios (CeRTEV), uno de los Centros de Investigaci\u00f3n, Innovaci\u00f3n y Difusi\u00f3n (Cepid) financiados por la FAPESP. La estrategia adoptada y los resultados obtenidos se describen en un art\u00edculo que sali\u00f3 publicado en diciembre en la revista Ceramics International<\/em>.<\/p>\n El grupo de Zanotto fue uno de los pioneros a nivel mundial en hacer uso de la inteligencia artificial como soporte para la creaci\u00f3n de vidrios. Hace algunos a\u00f1os, el ingeniero de materiales Daniel Cassar hab\u00eda desarrollado un programa de computadoras que se basaba en el funcionamiento de las redes neurales para intentar dilucidar, a partir de una composici\u00f3n qu\u00edmica te\u00f3rica de un vidrio, cu\u00e1les ser\u00edan algunas de sus caracter\u00edsticas. Ese modelo matem\u00e1tico, presentado en 2018 en la revista Acta Materialia<\/em>, predec\u00eda con buen margen de acierto una propiedad f\u00edsica (la temperatura de transici\u00f3n v\u00edtrea) de cualquier vidrio de \u00f3xido elaborado a partir de una mezcla compuesta por entre 3 y 45 elementos qu\u00edmicos. Sin embargo, el programa no permit\u00eda hacer lo contrario: a partir de una cierta caracter\u00edstica espec\u00edfica definida, determinar los componentes que deb\u00edan combinarse y las proporciones para obtenerla. \u201cTuvimos que perfeccionar el software<\/em> utilizando algoritmos gen\u00e9ticos\u201d, recuerda Cassar, quien actualmente realiza una pasant\u00eda de posdoctorado en el LaMaV. Un algoritmo gen\u00e9tico es una t\u00e9cnica de computaci\u00f3n con la capacidad de resolver problemas de optimizaci\u00f3n inspirada en mecanismos biol\u00f3gicos, tales como la herencia gen\u00e9tica, las mutaciones y la selecci\u00f3n natural.<\/p>\n Los investigadores probaron el nuevo programa definiendo en principio dos propiedades que deb\u00eda poseer el nuevo vidrio: baja temperatura de transici\u00f3n v\u00edtrea, inferior a 500 grados Celsius (\u00baC), y un alto \u00edndice de refracci\u00f3n, superior a 1,7. Estas caracter\u00edsticas son necesarias para poder producir lentes peque\u00f1as y delgadas en grandes cantidades, que se obtienen por prensado en moldes met\u00e1licos. Cassar carg\u00f3 en el programa los datos de la temperatura de transici\u00f3n v\u00edtrea de 45.302 combinaciones elaboradas con hasta 39 elementos qu\u00edmicos y del \u00edndice de refracci\u00f3n de 41.225 f\u00f3rmulas obtenidas con hasta 38 elementos. A continuaci\u00f3n, utiliz\u00f3 un algoritmo gen\u00e9tico para identificar las composiciones m\u00e1s interesantes. Esta estrategia apunt\u00f3 15 f\u00f3rmulas, entre las cuales Dutra Zanotto seleccion\u00f3 las dos con mayores probabilidades de funcionar.<\/p>\n En el LaMaV, la qu\u00edmica Gisele Guimar\u00e3es dos Santos, tambi\u00e9n becaria posdoctoral, transform\u00f3 las f\u00f3rmulas te\u00f3ricas en objetos concretos. El vidrio elaborado con seis compuestos presenta una coloraci\u00f3n en amarillo pajizo, se volvi\u00f3 r\u00edgido a 450 \u00baC y registr\u00f3 un \u00edndice de refracci\u00f3n igual a 1,7. En tanto, la mezcla que conten\u00eda 11 compuestos vitrific\u00f3 a 400 \u00baC y ten\u00eda un \u00edndice de refracci\u00f3n m\u00e1s alto (1m75), con una tonalidad acaramelada. \u201cSe ha abierto una v\u00eda m\u00e1s eficaz para la obtenci\u00f3n de materiales v\u00edtreos que cumplan con los requisitos de la industria\u201d, concluye Dutra Zanotto.<\/p>\n Proyecto<\/strong> Art\u00edculos cient\u00edficos<\/strong>
\nCeRTEV \u2013 Centro de Investigaci\u00f3n, Ense\u00f1anza e Innovaci\u00f3n en Vidrios (n\u00ba 13\/07793-6<\/a>); Modalidad <\/strong>Centros de Investigaci\u00f3n, Innovaci\u00f3n y Difusi\u00f3n (Cepid); Investigador responsable<\/strong> Edgar Dutra Zanotto (UFSCar); Inversi\u00f3n <\/strong>R$ 37.769.093,39<\/p>\n
\nCASSAR, D. R. et al<\/em>. Designing optical glasses by machine learning coupled with a genetic algorithm<\/a>. Ceramics International<\/strong>. 25 dic. 2020.
\nCASSAR, D. R. et al<\/em>. Predicting glass transition temperatures using neural networks<\/a>. Acta Materialia<\/strong>. v. 159, p. 249-56. 2018.<\/p>\n","protected":false},"excerpt":{"rendered":"Un sistema mejorado de inteligencia artificial permite determinar la composici\u00f3n del vidrio a partir de las caracter\u00edsticas deseadas para el material","protected":false},"author":16,"featured_media":398043,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[181],"tags":[297,328],"coauthors":[105],"class_list":["post-397580","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-es","tag-ingenieria","tag-quimica-es"],"acf":[],"_links":{"self":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/397580","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/users\/16"}],"replies":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/comments?post=397580"}],"version-history":[{"count":3,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/397580\/revisions"}],"predecessor-version":[{"id":399788,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/397580\/revisions\/399788"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media\/398043"}],"wp:attachment":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media?parent=397580"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/categories?post=397580"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/tags?post=397580"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/coauthors?post=397580"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}