Las tecnologías basadas en inteligencia artificial están aprendiendo rápidamente a ver, conversar, calcular y crear. Sin embargo, una cosa que todavía no hacen bien es medir o «sentir» las superficies, una función puramente mecánica.
«La IA ha adquirido más o menos el sentido de la vista gracias a los avances en la visión por computadora y el reconocimiento de objetos», dice el profesor de física de Stevens, Yong Meng Sua. «Sin embargo, todavía no ha desarrollado un sentido del tacto humano que pueda distinguir, por ejemplo, una hoja de periódico rugosa de una hoja de revista lisa y brillante».
Hasta ahora, eso es. Investigadores del vanguardista Centro de Ciencia e Ingeniería Cuántica (CQSE) de Stevens acaban de demostrar un método para dotar a la IA de la capacidad de sentir.
Metrología precisa para medicina, fabricación y más
Sua, en colaboración con el director de CQSE, Yuping Huang, y los candidatos a doctorado Daniel Tafone y Luke McEvoy ’22 MS ’23, ideó una configuración de laboratorio cuántico que combina un láser de escaneo que dispara fotones con nuevos modelos algorítmicos de IA entrenados para distinguir las diferencias entre varias superficies como se toman imágenes con esos láseres.
«Se trata de una unión entre IA y cuántica», explica Tafone.
En su sistema, informado este mes en la revista Óptica Aplicada [Vol. 63, No. 30]un haz de luz especialmente creado se pulsa en ráfagas cortas sobre una superficie para «sentirla». Los fotones reflejados y retrodispersados regresan del objeto objetivo con ruido moteado, un tipo aleatorio de defecto que ocurre en las imágenes.
El ruido moteado normalmente se considera perjudicial para la obtención de imágenes claras y precisas. Sin embargo, el sistema del grupo Stevens adopta un enfoque diferente: detecta y procesa estos artefactos de ruido utilizando una IA que ha sido cuidadosamente entrenada para interpretar sus características como datos valiosos. Esto permite al sistema discernir con precisión la topografía del objeto.
«Utilizamos la variación en el recuento de fotones en diferentes puntos de iluminación de la superficie», dice Tafone.
El equipo utilizó 31 papeles de lija industriales con superficies de rugosidad variable, de 1 a 100 micrones de espesor, como objetivos experimentales. (A modo de comparación, un cabello humano promedio tiene aproximadamente 100 micrones de espesor). Los láseres de modo bloqueado generaron pulsos de luz dirigidos a las muestras.
Esos pulsos pasaron a través de transceptores, encontraron los papeles de lija y luego regresaron a través del sistema para ser analizados por el modelo de aprendizaje del equipo.
Durante las primeras pruebas, el método del grupo promedió un error cuadrático medio (RMSE) de aproximadamente 8 micrones; Después de trabajar con múltiples muestras y promediar los resultados entre ellas, su precisión mejoró significativamente hasta 4 micras, comparable a los mejores dispositivos perfilómetros industriales utilizados actualmente.
«Curiosamente, nuestro sistema funcionó mejor con las superficies de grano más fino, como la película de diamante y el óxido de aluminio», señala Tafone.
El nuevo método podría resultar útil para diversas aplicaciones, añade.
Al intentar detectar cánceres de piel, por ejemplo, los examinadores humanos a menudo cometen errores que confunden afecciones de apariencia muy similar pero inofensivas con melanomas potencialmente fatales.
«Pequeñas diferencias en la rugosidad de los moles, demasiado pequeñas para verlas con el ojo humano pero mensurables con nuestro sistema cuántico propuesto, podrían diferenciar entre esas condiciones», explica Huang.
«Las interacciones cuánticas proporcionan una gran cantidad de información, y utilizar la IA para comprenderla y procesarla rápidamente es el siguiente paso lógico».
El control de calidad de fabricación de componentes también depende a menudo de distancias extremadamente pequeñas que pueden significar la diferencia entre una pieza perfecta y un pequeño defecto que eventualmente podría causar una falla mecánica peligrosa.
«Dado que la tecnología LiDAR ya está ampliamente implementada en dispositivos como automóviles autónomos, teléfonos inteligentes y robots», concluye Huang, «nuestro método enriquece sus capacidades con la medición de las propiedades de la superficie a escalas muy pequeñas».
