Cómo hallar el espesor de un cristal sin probar miles de opciones ✛ ✎

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 · 1 min
Los científicos redujeron el patrón de difracción de 24 649 píxeles a 11 números y encontraron el espesor y la inclinación de la muestra en solo 50 simulaciones.

Un intérprete en una negociación no escucha cada palabra: capta el sentido de frases enteras. Así, el nuevo método SBOCF no compara cada píxel del patrón de difracción con una simulación. Divide la imagen en nueve cuadrados, como una página en párrafos, y para cada uno calcula la suma de brillos. En lugar de 24 649 píxeles quedan 11 números: nueve sumas y dos coeficientes de corrección.

Estos 11 números se modelan con sustitutos baratos de la simulación costosa, llamados procesos gaussianos. La búsqueda inteligente, como un negociador experimentado, elige el siguiente par de espesor e inclinación que promete la mayor mejora. En una muestra sintética de 380 Å de espesor y 1,5 mrad de inclinación, el método redujo el error en 290 veces en comparación con el método anterior, usando solo 50 simulaciones.

Antes, para cada material nuevo había que probar miles de simulaciones o entrenar una red neuronal con una gran biblioteca. SBOCF no requiere entrenamiento: solo usa la estructura del problema y 50 simulaciones.

Un intérprete que capta el sentido de frases enteras trabaja más rápido y con más precisión. Del mismo modo, SBOCF encuentra el espesor y la inclinación del cristal en 50 simulaciones y ayuda a construir un mapa preciso de los átomos. El método ya se puede aplicar en microscopios electrónicos y, en el futuro, en difracción de rayos X.

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