Investigadores han desarrollado una nueva red neuronal, denominada U-Net residual multi-tarea informada por la física (PIMTRU-Net), capaz de denoizar espectros de Voigt ruidosos y, simultáneamente, recuperar la presión del gas sin necesidad de calibración previa. Este avance es significativo para el análisis de gases, donde la precisión en la determinación de parámetros como la presión es crucial, especialmente en entornos con mediciones espectroscópicas complejas y afectadas por ruido. La metodología tradicional a menudo requiere pasos de calibración extensos o modelos simplificados que pueden introducir errores.

La PIMTRU-Net integra principios físicos directamente en su arquitectura, lo que le permite aprender las relaciones subyacentes entre el ruido, la forma de la línea espectral de Voigt y la presión del gas de una manera más robusta. Al ser una red multi-tarea, no solo limpia los datos espectrales, sino que también extrae información física clave en un solo paso. La característica de "sin calibración" es particularmente relevante, ya que simplifica enormemente el proceso experimental y reduce la dependencia de conjuntos de datos de entrenamiento específicos para cada configuración experimental.

Este desarrollo tiene implicaciones importantes para campos que dependen del análisis espectroscópico de gases, como la monitorización ambiental, la química atmosférica, la combustión y la física de plasmas. La capacidad de obtener datos de presión fiables a partir de espectros ruidosos de forma autónoma podría acelerar la investigación y mejorar la precisión en diversas aplicaciones industriales y científicas. El siguiente paso será validar la robustez y escalabilidad de PIMTRU-Net en una gama más amplia de condiciones experimentales y tipos de gases.