Investigadores han desarrollado un método de aprendizaje automático no supervisado para automatizar el mapeo de la orientación cristalográfica a partir de datos de microscopía electrónica de transmisión de barrido de cuatro dimensiones (4D-STEM). Esta técnica supera las limitaciones de los métodos tradicionales, que a menudo requieren una calibración manual extensa y son susceptibles a los patrones de difracción ruidosos o de baja calidad. El nuevo enfoque utiliza algoritmos para identificar y clasificar patrones de difracción sin necesidad de etiquetado previo, lo que agiliza significativamente el análisis de microestructuras complejas en materiales.

El mapeo de orientación cristalográfica es crucial para comprender las propiedades de los materiales, ya que la disposición atómica influye directamente en su comportamiento mecánico, electrónico y térmico. Los métodos convencionales, como la difracción de electrones por retrodispersión (EBSD) o el 4D-STEM con algoritmos supervisados, exigen una intervención humana considerable para la indexación de los patrones de difracción. Este nuevo desarrollo representa un avance al permitir un análisis más rápido y robusto, especialmente útil en el estudio de materiales con estructuras cristalinas complejas o en la caracterización de defectos a escala nanométrica.

La clave del método reside en su capacidad para procesar datos 4D-STEM ruidosos, una limitación común en experimentos reales. Al ser un enfoque no supervisado, el algoritmo puede descubrir patrones intrínsecos en los datos sin prejuicios derivados de modelos preexistentes o bibliotecas de patrones. Esto no solo mejora la fiabilidad del mapeo de orientación, sino que también abre la puerta a la identificación de fases cristalinas desconocidas o a la caracterización de estructuras desordenadas, lo que es de gran interés en la ciencia de materiales avanzada.