El crecimiento de un cristal de germanio ultrapuro se parece a hornear un soufflé caprichoso: el más mínimo sobrecalentamiento o una pizca extra de impureza, y todo el lingote solo sirve para refundirlo. Estos cristales son el corazón de los detectores que captan eventos rarísimos: desde materia oscura hasta doble desintegración beta. Pero solo unas pocas empresas en el mundo saben cultivarlos con un alto rendimiento, y los secretos del oficio se transmiten durante décadas.

Ahora una red neuronal ha venido al rescate. Se entrenó con registros de 48 crecimientos reales: cada minuto se anotaban la potencia del calentador, la velocidad de extracción del lingote y signos indirectos de contaminación. El modelo, con arquitectura BiLSTM y «atención de múltiples cabezas», aprendió a predecir a partir de estas señales qué fracción del cristal resultará apta para detectores. La precisión fue suficiente para detectar el problema mucho antes de que termine el proceso.

El análisis de importancia de características (SHAP) mostró que la concentración de impurezas y la velocidad de extracción son los dos factores principales que determinan el rendimiento. No es una sorpresa para los especialistas, pero antes estas conclusiones se basaban en la intuición, y ahora en estadísticas medibles. El beneficio práctico es evidente: se puede cambiar el régimen de crecimiento con antelación y salvar un lingote costoso.

Si el método se consolida, la producción de germanio ultrapuro dejará de ser un arte reservado a unos pocos. Los detectores para buscar partículas de materia oscura y otros eventos raros serán más accesibles y, por tanto, los experimentos avanzarán más rápido. Es uno de esos casos en los que el aprendizaje automático no reemplaza al físico-tecnólogo, sino que le da una herramienta precisa en lugar de ensayo y error.