Un láser inteligente detecta diferentes materiales a la hora de cortarlos

Share on facebook
Share on twitter
Share on linkedin
Share on pinterest
Share on whatsapp
Share on telegram
Share on email

Investigadores diseñan una herramienta sencilla que permite a las empresas identificar fácilmente los materiales que deben cortar mediante cortadoras láser.

Con la incorporación de los ordenadores, las cortadoras láser se han convertido rápidamente en una herramienta relativamente sencilla y potente, con un software que controla una brillante maquinaria que puede cortar metales, maderas, papeles y plásticos. Aunque esta curiosa amalgama de materiales parece ser muy completa, los usuarios siguen teniendo dificultades para distinguir entre las existencias de materiales visualmente similares, donde el material equivocado puede provocar un desastre, desprender olores horribles o, peor aún, generar sustancias químicas nocivas.

Para hacer frente a lo que puede no ser totalmente evidente a simple vista, los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT han creado «SensiCut», una plataforma inteligente de detección de materiales para cortadoras láser.

Identificar los materiales

A diferencia de los enfoques convencionales basados en cámaras, que pueden identificar fácilmente los materiales de forma errónea, SensiCut utiliza una fusión más matizada. Identifica los materiales mediante el aprendizaje profundo y un método óptico denominado «speckle sensing», una técnica que utiliza un láser para detectar la microestructura de una superficie, habilitada por un solo complemento de detección de imágenes.

Estas predicciones erróneas pueden tener consecuencias desastrosas: pensemos en un coche autodirigido que no identifica a una persona que cruza la calle.

Una forma de averiguar la incertidumbre de un modelo es someter los mismos datos a múltiples versiones del mismo.

Para este proyecto, los investigadores hicieron que varias redes neuronales predijeran la superficie de energía potencial a partir de los mismos datos. Cuando la red está bastante segura de la predicción, la variación entre los resultados de las distintas redes es mínima y las superficies convergen en gran medida. Cuando la red no está segura, las predicciones de los distintos modelos varían mucho, produciendo una serie de resultados, cualquiera de los cuales podría ser la superficie correcta.

Las mejores predicciones

Un buen modelo no debería limitarse a indicar la mejor predicción, sino también indicar la incertidumbre sobre cada una de esas predicciones. Es como si la red neuronal dijera «esta propiedad para el material A tendrá un valor de X y estoy muy seguro de ello».

Esto podría haber sido una solución elegante si no fuera por la enorme escala del espacio combinatorio. «Cada simulación (que es la alimentación de la red neuronal) puede llevar de decenas a miles de horas de CPU», explica Schwalbe-Koda. Para que los resultados sean significativos, hay que ejecutar múltiples modelos en un número suficiente de puntos del PSA, un proceso que requiere mucho tiempo.

En cambio, el nuevo enfoque sólo toma muestras de puntos de datos de regiones de baja confianza en la predicción, correspondientes a geometrías específicas de una molécula. A continuación, estas moléculas se estiran o deforman ligeramente para maximizar la incertidumbre de la comisión de la red neuronal. Se calculan datos adicionales para estas moléculas mediante simulaciones y luego se añaden al conjunto de entrenamiento inicial.

Simulación con Machine Learning

Las redes neuronales se entrenan de nuevo y se calcula un nuevo conjunto de incertidumbres. Este proceso se repite hasta que la incertidumbre asociada a varios puntos de la superficie queda bien definida y no puede disminuir más.

Gómez-Bombarelli explica: «Aspiramos a tener un modelo que sea perfecto en las regiones que nos interesan (es decir, las que visitará la simulación) sin haber tenido que ejecutar la simulación ML completa, asegurándonos de que lo hacemos muy bueno en las regiones de alta probabilidad donde no lo es».

El artículo presenta varios ejemplos de este enfoque, como la predicción de complejas interacciones supramoleculares en zeolitas. Estos materiales son cristales cavernosos que actúan como tamices moleculares con alta selectividad de forma. Tienen aplicaciones en catálisis, separación de gases e intercambio de iones, entre otras.

Share on facebook
Share on twitter
Share on linkedin
Share on pinterest
Share on whatsapp
Share on telegram
Share on email

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

TE PUEDE GUSTAR

EVENTOS

RECIBE LA NEWSLETTER

*Email:

*Nombre:

*Empresa:

Cargo:

Sector:
     

Please don't insert text in the box below!

ESCUCHA NUESTRO PODCAST

SÍGUENOS EN RRSS

MÁS COMENTADOS

Ir arriba