Un equipo ha combinado optimización bayesiana con dispersión de rayos X de sincrotrón para controlar de forma cerrada la morfología de mezclas de copolímeros en bloque. El enfoque, publicado en Nature, ajusta automáticamente la composición de la mezcla buscando la morfología objetivo sin intervención humana en cada iteración.

Los copolímeros en bloque se autoensamblan en nanoestructuras cuya geometría depende de la composición y del procesamiento de la mezcla. Encontrar la receta que produce una morfología concreta —láminas, cilindros o esferas ordenadas— exige normalmente recurrir a ensayo y error, un proceso lento cuando cada caracterización requiere tiempo de haz en un sincrotrón.

El sistema cerrado descrito en el trabajo encadena tres piezas: un algoritmo de optimización bayesiana que propone la siguiente composición a partir de los resultados previos, la síntesis y procesamiento de la muestra correspondiente, y la caracterización por dispersión de rayos X en un acelerador de electrones. La señal de dispersión se reduce a métricas de morfología que realimentan al modelo, que actualiza su predicción de la función objetivo y decide la siguiente prueba.

La optimización bayesiana resulta especialmente adecuada para este problema porque cada medición es costosa y el espacio de parámetros es amplio: el modelo construye una función de probabilidad sobre los resultados posibles y elige la composición que maximiza la información ganada por experimento. El resultado es una convergencia hacia la morfología deseada en muchas menos iteraciones que la búsqueda sistemática convencional.

El trabajo ilustra cómo la integración de aprendizaje automático con infraestructuras de grandes instalaciones puede acelerar el descubrimiento de materiales. Más allá de los copolímeros en bloque, el mismo esquema podría aplicarse a otros sistemas autoensamblados y a la optimización de procesamiento de polímeros funcionales.