Cómo elegir el grosor de un cristal en 50 simulaciones ✛ ✎

Original: "Scalable Bayesian Optimization of Composite Functions for Image-Based Inverse Problems in Materials Characterization"
arXiv:2609.02126v1 · 2026-09-02 · arXiv non-exclusive · análisis propio · 2 min
El nuevo método SBOCF reduce los 24 649 píxeles de un patrón de difracción a 11 números y determina el grosor y la inclinación de la muestra con un error hasta 290 veces menor.

Un intérprete en una negociación no escucha cada palabra: capta el sentido de frases enteras. En microscopía electrónica ocurre algo parecido: hay que saber qué grosor tiene el cristal y con qué inclinación está en el haz, y solo se cuenta con el patrón de difracción, un dibujo de miles de puntos claros y oscuros. Comparar cada píxel de ese dibujo con una simulación resulta demasiado caro, así que los investigadores propusieron escuchar no las palabras sueltas, sino el sentido de los fragmentos.

El método SBOCF corta la imagen en nueve cuadrados, como quien divide una página en párrafos, y calcula la suma de brillos de cada uno. En lugar de 24 649 píxeles quedan 11 números: nueve sumas más dos coeficientes de corrección que capturan la discrepancia restante. Esos números se modelan con procesos gaussianos independientes, sustitutos baratos de la simulación costosa. La optimización bayesiana, como un negociador experimentado, elige el siguiente par de grosor e inclinación que promete la mayor mejora.

En una muestra sintética de SrTiO3 de 380 Å de grosor y 1,5 mrad de inclinación, el método redujo el error final mediano en 290 veces en comparación con la optimización bayesiana estándar. Para una muestra delgada de 100 Å, la ganancia fue de 47 veces; para 200 Å, de 37 veces.

Antes, para cada material nuevo había que probar miles de simulaciones o entrenar una red neuronal con una gran biblioteca. SBOCF no necesita un conjunto de entrenamiento: solo usa la estructura de la función objetivo y un presupuesto de 50 simulaciones. En datos experimentales, las estimaciones de grosor e inclinación coinciden con las publicadas anteriormente, y el tiempo para elegir el siguiente punto es de unos 0,2 minutos por iteración.

Un intérprete que sabe oír el sentido de frases enteras trabaja más rápido y con más precisión. Igual que SBOCF, que al reducir el problema a 11 números encuentra los parámetros del cristal en 50 simulaciones y mejora la reconstrucción posterior de la estructura atómica. El método ya puede integrarse en el flujo de trabajo de la microscopía electrónica y, en el futuro, aplicarse a la difracción de rayos X o a la dispersión de neutrones.

El número de salidas modeladas se redujo de 24 649 a 11, es decir, más de 2000 veces, mientras que el error final se redujo hasta 290 veces. Si cada simulación tomara una hora, un barrido completo de una rejilla de un millón de puntos tomaría 114 años, mientras que SBOCF lo logra en 50 horas.

f(x) = \sum_{k=1}^{M}\sum_{\ell=1}^{M} (y_{k,\ell}(x) - y^{true}_{k,\ell})^2
Función objetivo que se debe minimizar para estimar los parámetros
f(x) = \epsilon(x) f_P(x) + \delta(x)
Relación entre el error a nivel de píxel y el error a nivel de fragmento
Conceptos
imagen de píxel único reconstrucción de imagen optimización de imágenes de rayos X imágenes sintéticas modelado estocástico criterio de información clasificación de imágenes problema de optimización reconstrucción 3d descomposición de señales modelo jerárquico bayesiano ajuste por mínimos cuadrados