🔬 materials science

DeepCormack: Fermi surface tomography using model-based data-driven algorithms

El artículo presenta DeepCormack, un algoritmo híbrido basado en modelos y aprendizaje profundo que acelera y mejora significativamente la calidad de las reconstrucciones de superficies de Fermi 3D a partir de datos ACAR mediante la generación de conjuntos de entrenamiento sintéticos realistas vía descomposición de valores singulares y de modos dinámicos, reduciendo así los tiempos de adquisición de meses a semanas.

Autores originales: Georg F. B. Lovric, Bryn Drury, Carola-Bibiane Schönlieb, Stephen B. Dugdale, Ander Biguri

Publicado 2026-07-16

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Georg F. B. Lovric, Bryn Drury, Carola-Bibiane Schönlieb, Stephen B. Dugdale, Ander Biguri

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de descubrir la forma de una ciudad invisible y oculta dentro de un bloque de metal. Esta no es una ciudad de edificios, sino una "ciudad" de electrones, las diminutas partículas que transportan electricidad y calor. Los científicos llaman al borde de esta ciudad de electrones la "superficie de Fermi". Conocer su forma exacta es como tener el mapa de un cofre del tesoro; nos dice por qué un metal conduce la electricidad, por qué podría convertirse en un superconductor o por qué actúa como un imán. Para ver este mapa invisible, los científicos utilizan un truco ingenioso que involucra antimateria. Disparan diminutas partículas llamadas positrones hacia el metal. Cuando un positrón se encuentra con un electrón, ambos desaparecen en un destello de luz, disparando dos fotones. Al capturar estos fotones desde diferentes ángulos, los científicos intentan reconstruir la forma 3D de la ciudad de electrones. Sin embargo, este proceso es increíblemente lento y borroso, como intentar dibujar un retrato detallado de una persona mientras huye entre la niebla, y a menudo toma meses obtener una imagen lo suficientemente clara como para ser útil.

Aquí es donde entra en juego un nuevo equipo de investigadores con una herramienta que llaman "DeepCormack". Piensa en la forma antigua de dibujar este mapa como un artista muy estricto que sigue reglas, que es excelente en matemáticas pero pésimo adivinando qué esconde la niebla. Toman las fotos borrosas e intentan reconstruir la imagen utilizando un método llamado Método de Cormack Modificado (MCM). Funciona, pero es lento y el resultado suele ser difuso. El nuevo artículo presenta DeepCormack, que es como darle a ese artista estricto un equipo de asistentes de IA superinteligentes. Estos asistentes han estudiado miles de mapas de "práctica" y han aprendido a adivinar los detalles faltantes, eliminar la niebla y afilar las líneas. Los investigadores construyeron un sistema especial para crear estos mapas de práctica utilizando una simulación por computadora basada en el elemento cobre, porque no podían esperar meses para obtener fotos reales para cada prueba. Descubrieron que su método aumentado por IA podía producir un mapa mucho más claro en una fracción del tiempo, o incluso crear un mapa de alta calidad a partir de una instantánea mucho más ruidosa y rápida. Sin embargo, también descubrieron una trampa: si la IA se entrena solo con cobre, a veces se confunde cuando observa un metal completamente diferente, como el ZrZn2, lo que sugiere que la IA necesita ser reentrenada con un "mapa de práctica" específico para cada nuevo metal que estudia.

El núcleo del artículo trata sobre resolver un rompecabezas difícil: cómo convertir unos pocos instantáneas borrosas y ruidosas del momento de los electrones en una imagen nítida en 3D de la superficie de Fermi de un material. Los investigadores proponen una familia de algoritmos que mezclan el método tradicional basado en matemáticas (MCM) con modelos de aprendizaje profundo, específicamente Redes Neuronales Convolucionales (CNN), Perceptrones Multicapa (MLP) y UNets. Estas redes neuronales actúan como diferentes especialistas en un taller de reparaciones. La CNN intenta limpiar las fotos crudas ruidosas incluso antes de que sean procesadas. El MLP refina las formas "radiales" matemáticas que describen la densidad de los electrones. Finalmente, la UNet observa la imagen reconstruida final y corrige cualquier mancha borrosa o artefacto extraño, esencialmente aprendiendo a "alucinar" los detalles correctos que los datos limitados omitieron.

Para entrenar estos modelos de IA, el equipo enfrentó un gran problema: no tenían suficientes datos experimentales reales porque recolectarlos toma meses por muestra. En su lugar, inventaron un método ingenioso de generación de datos. Comenzaron con una simulación perfecta del mapa de electrones del cobre. Utilizando una técnica llamada Descomposición en Valores Singulares (SVD), descompusieron este mapa en sus partes esenciales y luego utilizaron la Descomposición de Modos Dinámicos (DMD) para aprender cómo esas partes cambian a medida que te mueves a través del volumen 3D. Esto les permitió generar infinitos mapas 3D sintéticos y realistas de cobre que variaban ligeramente de un corte a otro, tal como lo harían los datos reales. Luego simularon la "niebla" y el "ruido" de un experimento real añadiendo desenfoque matemático y ruido estadístico aleatorio a estos mapas perfectos. Esto creó una enorme biblioteca de imágenes de "verdad fundamental" (perfectas) y sus versiones "ruidosas" correspondientes, de las cuales la IA pudo aprender.

Cuando probaron DeepCormack, los resultados fueron prometedores pero matizados. En los datos sintéticos de cobre (que la IA ya había visto durante el entrenamiento), el nuevo método fue una mejora masiva. Con un recuento estándar de 200 millones de eventos de electrones, el mejor modelo DeepCormack alcanzó una puntuación de calidad (PSNR) de aproximadamente 40.69 dB, comparado con los 32.38 dB del antiguo método MCM. Aún más impresionante, cuando redujeron los datos a solo 10 millones de recuentos (simulando un escaneo mucho más rápido y ruidoso), el modelo DeepCormack se mantuvo fuerte con 38.22 dB, mientras que el viejo método cayó estrepitosamente a 26.12 dB. Esto sugiere que con DeepCormack, los científicos podrían potencialmente reducir su tiempo de escaneo de meses a semanas sin perder la calidad de la imagen.

Sin embargo, el artículo también señala que la idea de una solución de "talla única" tiene limitaciones, aunque se describen como "moderadas" en lugar de absolutas. Cuando probaron los modelos en un metal diferente, ZrZn2, que no formaba parte de los datos de entrenamiento, el rendimiento del mejor modelo combinado (DCCMU) cayó, obteniendo 32.82 dB frente a los 33.96 dB de MCM. Esto indica que la IA se había sobreajustado a las características específicas del cobre. No obstante, el artículo destaca que esto no es un fallo total del enfoque: el modelo independiente de UNet (DCU) todavía superó al antiguo método MCM en este nuevo metal, obteniendo 37.44 dB. Esto sugiere que, aunque los modelos combinados complejos tuvieron dificultades para generalizar, los componentes centrales de la IA aún conservaban valor, y los autores señalan que las pruebas fuera de la distribución (Out-of-Distribution) no pueden "descartarse por completo". Los autores sugieren que, para solucionar esto, los científicos tendrían que realizar un cálculo computacional rápido (Teoría del Funcional de la Densidad) para el metal específico que están estudiando para generar un conjunto de entrenamiento personalizado.

El artículo concluye que, si bien DeepCormack ofrece un salto significativo tanto en velocidad como en calidad para la tomografía de la superficie de Fermi, no es todavía una solución completamente autónoma para cualquier material. El método funciona mejor cuando se combina con un cálculo de referencia específico para el material en cuestión. Los autores enfatizan que sus resultados se basan en simulaciones y datos sintéticos, y aunque la simulación de ruido se calibró cuidadosamente para coincidir con experimentos reales, probar el método con datos experimentales reales de diferentes metales es el siguiente paso necesario. No afirman haber resuelto el problema de la reconstrucción de la superficie de Fermi para todos los materiales, sino que han demostrado una nueva y poderosa herramienta que, cuando se utiliza correctamente con los datos de entrenamiento adecuados, puede acelerar drásticamente el descubrimiento de cómo se comportan los metales.

Resumen Técnico: DeepCormack para la Tomografía de la Superficie de Fermi

Planteamiento del Problema
La reconstrucción experimental de la densidad de momento de dos fotones (TPMD) en 3D mediante la Correlación Angular de Radiación de Aniquilación de Electrón-Positrón (ACAR) es un método crítico para estudiar las superficies de Fermi de los materiales. A diferencia de las técnicas sensibles a la superficie, ACAR es sensible al volumen (bulk), opera a temperatura ambiente y no requiere vacío ultra alto ni campos magnéticos intensos. Sin embargo, reconstruir la TPMD en 3D a partir de un número limitado de proyecciones (típicamente 3–6) es un problema inverso desafiante. La reconstrucción estándar se basa en el Método de Cormack Modificado (MCM), que aprovecha las simetrías cristalinas. A pesar de su robustez teórica, el MCM sufre de relaciones señal-ruido (SNR) deficientes en entornos experimentales. La adquisición de suficientes datos (típicamente $\sim 10^8$ eventos de aniquilación por proyección) para estudios de alta calidad de la superficie de Fermi puede tomar meses por muestra. Además, el emborronamiento instrumental y el ruido, que varían sistemáticamente a través de la densidad de momento (degradando la calidad lejos del centro), a menudo requieren una deconvolución adicional. Los autores postulan que los avances del aprendizaje automático en la reconstrucción de imágenes médicas (específicamente en la Tomografía por Emisión de Positrones, que comparte una geometría similar) podrían trasladarse a la tomografía de la superficie de Fermi para mejorar la calidad de la reconstrucción y reducir los tiempos de adquisición.

Metodología
El artículo presenta DeepCormack, un marco híbrido que integra modelos de aprendizaje profundo supervisado en el Método de Cormack Modificado (MCM). El enfoque está diseñado para corregir el ruido, deconvolucionar el emborronamiento instrumental y compensar la pérdida de información inherente al muestreo angular limitado (5 proyecciones).

Marco Algorítmico:
DeepCormack opera en tres etapas potenciales, cada una utilizando una arquitectura de red neuronal diferente:
- CNN 1D (Espacio de Proyección): Una red neuronal convolucional residual procesa las proyecciones angulares 2D crudas ( $f_{meas}$ ) para eliminar el ruido y deconvolucionar las proyecciones antes de la reconstrucción. Aprende una corrección $\Delta$ para las proyecciones de entrada.
- MLP (Espacio de Densidad Radial): Un Perceptrón Multicapa refina las funciones de densidad radial ( $\rho$ ) derivadas de los coeficientes de Chebyshev del MCM. Esta etapa opera en el espacio de las salidas intermedias del MCM.
- UNet (Espacio de Imagen): Una UNet 2D aprende correcciones residuales en las secciones transversales de la TPMD 2D reconstruida ( $\rho_{2\gamma}$ ). Para manejar la variación sistemática del ruido a través de las secciones (donde los conteos disminuyen lejos del centro), la UNet puede ser condicionada por el nivel de conteo total mediante la Modulación Lineal por Características (FiLM).
Los autores exploran varias configuraciones, incluyendo el entrenamiento de extremo a extremo y el preentrenamiento de componentes individuales (CNN, MLP, UNet) antes de vincularlos.
Estrategia de Generación de Datos:
Reociendo la impracticabilidad de recolectar meses de datos experimentales para el entrenamiento, los autores proponen un flujo de trabajo de simulación basado en datos que utiliza una única densidad de momento de referencia computada mediante la Teoría del Funcional de la Densidad (DFT) para el Cobre (Cu).
- SVD para Secciones Centrales: Se aplica la Descomposición en Valores Singulares (SVD) a los coeficientes de Chebyshev de los datos de referencia de Cu para generar secciones centrales de la TPMD plausibles y diversas.
- DMD para Evolución 3D: La Descomposición de Modos Dinámicos (DMD) se utiliza para aprender la dinámica subyacente de cómo la densidad de momento evoluciona de una sección a otra. Se computa un operador de Koopman para extrapolar las secciones centrales sintéticas hacia volúmenes de TPMD en 3D que varían continuamente.
- Simulación de Condiciones Experimentales: Los volúmenes 3D sintéticos se degradan para imitar mediciones reales de ACAR. Esto incluye la aplicación de emborronamiento por resolución del detector (convolución Gaussiana), efectos de la Función de Muestreo de Momento (MSF) y ruido de Poisson en varios niveles de conteo (de 10M a 200M).
Validación:
El flujo de trabajo de simulación se validó comparando la degradación de los datos simulados de ZrZn2 contra los datos experimentales reales de ZrZn2. Los autores encontraron que ajustar las anchuras de convolución y los niveles de conteo efectivos en la simulación era necesario para igualar la degradación observada en las reconstrucciones reales de la superficie de Fermi.

Contribuciones Clave

Marco DeepCormack: Una nueva familia de algoritmos que integra CNN, MLP y UNet en el flujo de trabajo del MCM para mejorar la reconstrucción de la superficie de Fermi.
Generación de Datos Sintéticos: Un método utilizando SVD y DMD para generar datos de entrenamiento de TPMD en 3D realistas y diversos a partir de una única referencia DFT, superando la falta de grandes conjuntos de datos experimentales.
Formulación de Operadores: Una derivación del Método de Cormack Modificado en notación de operadores, facilitando su integración con técnicas modernas de problemas inversos.
Condicionamiento FiLM: La aplicación de FiLM para condicionar la UNet al nivel de precisión estadística (niveles de conteo), haciendo que el modelo sea robusto a los niveles de ruido variables a través del volumen de la TPMD.

Resultados
Los modelos fueron evaluados en tres conjuntos de datos: datos sintéticos de DMD (dentro de la distribución), datos de Cobre (dentro de la distribución pero reales de DFT) y datos de ZrZn2 (fuera de la distribución/OOD). El rendimiento se midió utilizando la Relación Señal-Ruido de Pico (PSNR) y el Índice de Similitud Estructural (SSSS).

Rendimiento vs. MCM: Los modelos DeepCormack superaron consistentemente al MCM estándar. En datos sintéticos con conteos estándar (200M), la mejor configuración (CNN preentrenada + MLP $\to$ UNet) alcanzó ~40.69 dB de PSNR frente a los 32.38 dB del MCM.
Robustez ante Bajos Conteos: DeepCormack demostró una estabilidad significativa con conteos reducidos. A 10M de conteos, el mejor modelo DeepCormack (38.22 dB) mantuvo una calidad comparable al MCM con 200M de conteos (32.38 dB), mientras que el rendimiento del MCM cayó a 26.12 dB. Esto sugiere que los tiempos de adquisición podrían reducirse en un orden de magnitud sin sacrificar la calidad de la reconstrucción.
Generalización:
- Los modelos funcionaron bien en datos dentro de la distribución de entrenamiento (DMD y Cu).
- El rendimiento se degradó significativamente en la muestra OOD de ZrZn2. Las configuraciones complejas preentrenadas (ej., CNN+MLP+UNet) funcionaron peor que el MCM base en ZrZn2, indicando un sobreajuste a la distribución de entrenamiento derivada del cobre.
- La UNet independiente (DCU) ofreció el mejor equilibrio, superando al MCM en ZrZn2 (37.44 dB vs 33.96 dB en 200M) y mostrando mejoras cualitativas en la reconstrucción de la superficie de Fermi cuando se condicionó con FiLM.

Significancia y Reivindicaciones
El artículo afirma que DeepCormack ofrece una vía para lograr reconstrucciones de la superficie de Fermi de mayor calidad o tiempos de adquisición significativamente más rápidos (reduciendo la duración de la medición de meses a semanas). Los autores enfatizan que, si bien el método depende actualmente de datos de entrenamiento sintéticos derivados de una única referencia (Cobre), el flujo de trabajo permite la creación de datos de entrenamiento específicos de la muestra mediante cálculos DFT. Este paso de "precomputación" (que toma días) permite que la medición experimental posterior se realice con menos conteos manteniendo resultados superiores al MCM estándar.

Los autores mantienen la modestia respecto a las capacidades de generalización, reconociendo que los modelos actuales son sensibles a la distribución de entrenamiento y que el rendimiento en muestras fuera de la distribución (como ZrZn2) es limitado. Sugieren que el trabajo futuro debería centrarse en entrenar con conjuntos de datos DFT más amplios o datos experimentes reales, y desarrollar funciones de pérdida basadas en métricas de la superficie de Fermi en lugar de el PSNR en el espacio de la imagen. El trabajo pretende abrir la Fermilogía a la comunidad de problemas inversos mediante la demostración de la viabilidad de la reconstrucción basada en modelos y datos en este dominio.

Más como este