El dicroísmo circular magnético de rayos X es una herramienta precisa que desde hace tiempo permite separar los momentos magnéticos de espín y orbitales. Sin embargo, el enfoque clásico se asemeja a evaluar una orquesta por el volumen: se basa en reglas de suma que reducen toda la estructura fina del espectro a un par de integrales. Por desgracia, este método es sensible al fondo y requiere una laboriosa limpieza de datos.

El avance propone escuchar el espectro como una sinfonía de transiciones electrónicas, donde el aprendizaje automático actúa como director de orquesta. Es capaz de aislar la contribución de cada «parte». El problema se plantea como inverso: recuperar observables físicos a partir de la forma de las líneas. Para el entrenamiento, se creó un conjunto de datos de 3240 espectros XAS y XMCD en los bordes de Fe, Co, Ni. Estos se obtuvieron mediante simulación numérica, variando el campo cristalino, el acoplamiento espín-órbita y la interacción de intercambio.

Una red neuronal de dos capas (256 y 128 neuronas) aprendió a mapear vectores de intensidades a ⟨Sz⟩ y ⟨Lz⟩, calculados a partir de funciones de onda. El modelo captó cómo el campo cristalino desplaza los picos y el campo de intercambio modula la radiación polarizada. La precisión es inferior a 0,02 ℏ. Para el momento orbital, el resultado es ligeramente mejor: la estructura fina de las transiciones electromagnéticas resultó ser más informativa. La ironía es que la red, entrenada solo con números, capta correlaciones cuánticas con mayor precisión que las aproximaciones analíticas.

Este método no rechaza las reglas de suma, sino que las complementa, creando una herramienta de medición cuántica fiable. Puede extenderse a elementos ligeros, estructuras no colineales, abriendo el camino a la magnetometría en tiempo real en sincrotrones. Así, la detección cuántica adquiere una capa inteligente, acercando la era de la espectroscopia inteligente.