La microscòpia electrònica de nanopartícules ha experimentat una transformació radical en l'última dècada, impulsada per la integració d'intel·ligència artificial (IA) i aprenentatge automàtic. Allò que abans era una tècnica purament descriptiva —capturar imatges d'alta resolució per observar estructures— s'ha convertit en una plataforma quantitativa i predictiva. Avui, els investigadors no només veuen nanopartícules, sinó que les interpreten, analitzen la seva dinàmica en temps real i correlacionen la seva morfologia amb propietats funcionals. Aquesta evolució no seria possible sense el desenvolupament de models de deep learning, arquitectures transformer i enfocaments d'aprenentatge autosupervisat que permeten extreure informació significativa de conjunts de dades massius.
El repte principal en la caracterització de nanopartícules mitjançant microscòpia electrònica de transmissió (TEM), microscòpia electrònica de transmissió d'alta resolució (HRTEM) i microscòpia electrònica de transmissió d'escombratge (STEM) rau en la detecció, segmentació i quantificació precisa de partícules individuals. Els mètodes clàssics de processament d'imatges —basats en llindars o filtres morfològics— es queden curts davant l'heterogeneïtat de formes, mides i orientacions. Els algorismes d'IA, en particular les xarxes neuronals convolucionals (CNN), han demostrat una capacitat superior per identificar vores, separar partícules solapades i classificar defectes cristal·lins. A més, tècniques com l'aprenentatge per transferència i els models fonamentals permeten generalitzar entre diferents tipus de mostres i condicions experimentals, reduint la necessitat d'etiquetatge manual.
En l'àmbit de la restauració atòmica, la IA ha permès reconstruir imatges a resolució subangstrom a partir de dades sorolloses o de baixa dosi d'electrons, minimitzant el dany a mostres sensibles. Els mètodes basats en física informada —que combinen equacions de propagació de feix amb xarxes neuronals— milloren la precisió de la restauració i faciliten la identificació de defectes puntuals, vacàncies i segregacions. Fins i tot s'estan explorant models generatius per sintetitzar imatges d'alta qualitat a partir de condicions d'adquisició subòptimes, obrint la porta a experiments in situ on la dinàmica és ràpida i les dosis baixes són obligatòries.
Un altre avenç significatiu és la inferència bidimensional a tridimensional. Tradicionalment, la tomografia electrònica requeria sèries d'imatges preses en múltiples angles i un processament computacional intensiu. Avui, els algorismes d'aprenentatge profund poden predir l'estructura tridimensional d'una nanopartícula a partir d'una sola imatge o d'un nombre limitat de projeccions, utilitzant xarxes generatives adversàries (GAN) o models de difusió. Això accelera l'anàlisi i permet estudiar partícules que no romanen estables durant una rotació completa, quelcom crític en sistemes biològics o catalítics.
La integració de la IA amb experimentació autònoma representa la frontera més prometedora. En el concepte d'agents d'IA, el microscopi es converteix en un agent actiu que decideix quines regions observar, ajusta paràmetres en temps real i aprèn de resultats previs per optimitzar la recollida de dades. Aquests bucles tancats d'experimentació combinen visió per ordinador, planificació i control de hardware, i ja s'estan aplicant en àmbits com la síntesi de nanomaterials i la catàlisi. Des d'una perspectiva empresarial, plataformes d'anàlisi basades en IA permeten a laboratoris i empreses de materials escalar la caracterització de nanopartícules sense dependre exclusivament d'experts en microscòpia. Aquí és on empreses com Q2BSTUDIO aporten valor: desenvolupem aplicacions a mida que integren models de deep learning amb infraestructura cloud (AWS o Azure) per processar terabytes de dades de microscòpia de forma segura i eficient. A més, les nostres solucions de Business Intelligence amb Power BI permeten visualitzar correlacions entre paràmetres de síntesi, morfologia i rendiment, facilitant la presa de decisions en I+D. Tot això recolzat per un enfocament de ciberseguretat que protegeix tant les dades experimentals com els models propietaris.
No obstant això, persisteixen desafiaments. La dependència de grans conjunts de dades etiquetades continua sent un coll d'ampolla, tot i que l'aprenentatge autosupervisat i els models fonamentals —com Segment Anything adaptat a microscòpia— estan mitigant aquesta limitació. També és crucial el benchmarking rigorós: comparar algorismes sobre conjunts de referència estandarditzats per garantir la reproductibilitat. La comunitat científica està impulsant iniciatives com els desafiaments de segmentació de nanopartícules i repositoris oberts de dades, que permeten validar i millorar models de forma col·laborativa.
Mirant cap al futur, la combinació d'IA multimodal —que integra imatges, espectroscòpies i dades de simulació— promet una comprensió holística de la relació estructura-propietats. Els models fonamentals entrenats amb milers de milions de paràmetres, similars a GPT però per a imatges científiques, podrien convertir-se en assistents universals per al científic de materials. La integració amb tècniques d'automatització de processos i bessons digitals permetrà tancar el cicle des de la síntesi fins a la caracterització i el disseny invers. En aquest context, Q2BSTUDIO ofereix serveis d'automatització de processos i desenvolupament d'agents d'IA que connecten microscopis, anàlisi de dades i sistemes de laboratori, accelerant el descobriment autònom de nanomaterials.
En resum, l'evolució de la IA en microscòpia electrònica de nanopartícules no només està millorant la precisió i velocitat de l'anàlisi, sinó que està redefinint la forma en què concebem la ciència de materials. Des de la detecció de partícules fins a la inferència 3D i l'experimentació autònoma, el paper de la IA és central. I perquè aquesta transformació sigui accessible i segura, comptar amb socis tecnològics que entenguin tant la física de la microscòpia com l'enginyeria de programari és essencial. A Q2BSTUDIO, combinem experiència en cloud, IA, ciberseguretat i BI per construir les plataformes que impulsen la pròxima generació de caracterització de nanopartícules.
