Investigadores del Institute of Science Tokyo desarrollaron un sistema de inteligencia artificial capaz de inferir propiedades clave de materiales semiconductores a partir de mediciones simples de transistores. Lo interesante es la velocidad: mientras los métodos tradicionales pueden tardar horas o incluso días, este enfoque puede entregar resultados en menos de un milisegundo.

El avance está enfocado en resolver un problema conocido como análisis inverso. En electrónica, es relativamente sencillo medir cómo se comporta un transistor: por ejemplo, cuánta corriente deja pasar bajo ciertas condiciones de voltaje. Lo complicado es responder la pregunta inversa: ¿qué propiedades internas del material están causando ese comportamiento?

Esa información es muy importante para diseñar mejores dispositivos electrónicos, optimizar procesos de fabricación y detectar problemas en materiales semiconductores. Sin embargo, el análisis suele ser difícil porque diferentes combinaciones de propiedades físicas pueden producir curvas eléctricas muy parecidas. A esto se le conoce como multivaluación o multivaluedness.

Para resolverlo, el equipo desarrolló una red neuronal en tándem, es decir, dos modelos conectados en serie. El primer modelo intenta estimar las propiedades del material a partir de una medición eléctrica. El segundo modelo, previamente entrenado, toma esas propiedades estimadas y reconstruye el comportamiento del transistor. De esta manera, el sistema aprende a encontrar soluciones que no solo se ajusten matemáticamente, sino que también tengan sentido físico.

Los investigadores entrenaron el modelo con datos de transistores de óxido amorfo indio-galio-zinc, conocidos como a-IGZO, un material usado en aplicaciones electrónicas como pantallas y dispositivos de película delgada. El sistema fue diseñado para inferir seis parámetros físicos importantes, incluyendo densidades de defectos, estados trampa y movilidad electrónica.

Según el estudio, la red neuronal pudo estimar estos parámetros a partir de una sola curva corriente-voltaje en menos de un milisegundo y con alta precisión dentro de las condiciones evaluadas. También fue probada con transistores reales fabricados en laboratorio, donde logró reproducir su comportamiento sin pasos adicionales de optimización.

La importancia de este avance no está solo en la velocidad, sino en lo que podría permitir. En manufactura, una herramienta así podría ayudar a hacer controles de calidad casi instantáneos en líneas de producción. En investigación, podría integrarse en laboratorios autónomos donde sistemas de IA diseñen, ejecuten y analicen experimentos con mínima intervención humana.

Aunque todavía se necesita validar el método en más tipos de materiales y dispositivos, el enfoque apunta a una tendencia clara: usar inteligencia artificial no solo para generar datos, sino para acelerar el análisis físico de tecnologías complejas.

En pocas palabras, esta investigación muestra cómo el machine learning podría convertirse en una herramienta clave para desarrollar mejores semiconductores, detectar defectos más rápido y reducir el tiempo entre una medición eléctrica y una conclusión útil.