Revelando la tercera dimensión oculta de los defectos puntuales en MXenes bidimensionales

Por qué importan las pequeñas imperfecciones en materiales planos

Desde electrónica más rápida hasta agua más limpia y baterías mejores, muchas tecnologías futuras dependerán de materiales ultrafinos de apenas unas pocas capas de átomos. En estas láminas, incluso un solo átomo faltante —un defecto puntual— puede cambiar drásticamente el comportamiento del material. Sin embargo, en dispositivos reales estas láminas a menudo están apiladas en varias capas, lo que dificulta enormemente ver cómo se disponen esas pequeñas imperfecciones en tres dimensiones. Este estudio muestra cómo los científicos pueden por fin descubrir el paisaje 3D oculto de estos defectos en una prometedora familia de materiales llamados MXenes, abriendo la puerta a “ingenierizar” deliberadamente defectos para ajustar el rendimiento.

Asomándose bajo la superficie de las láminas de MXene

Los MXenes son capas atómicamente finas de metales y carbono o nitrógeno que han suscitado gran interés para almacenamiento de energía, electrónica, purificación de agua y usos biomédicos. Por lo general se fabrican al extraer químicamente ciertos elementos de un cristal macroscópico, un proceso agresivo que también expulsa átomos metálicos y deja sitios vacantes. Los investigadores saben que estas vacantes pueden afectar fuertemente propiedades como la conductividad y la resistencia mecánica, pero los microscopios existentes proporcionan mayormente imágenes planas y cenitales. Eso ha dejado a los científicos en gran medida ciegos respecto a cómo se organizan los defectos a lo largo de múltiples capas atómicas dentro de una sola lámina, una pieza faltante que dificulta correlacionar las condiciones de procesamiento con el rendimiento real.

Dejando que la inteligencia artificial lea imágenes átomo por átomo

Para superar este desafío, los autores desarrollaron un flujo de trabajo guiado por inteligencia artificial que funciona de la mano con microscopía electrónica avanzada. Usaron un microscopio electrónico de transmisión en barrido para obtener imágenes de láminas individuales de un MXene a base de titanio (Ti₃C₂Tₓ) bajo condiciones cuidadosamente controladas de bajo daño. Luego, en lugar de marcar manualmente cada átomo y cada átomo faltante a simple vista —una tarea lenta y propensa a errores— entrenaron dos redes neuronales: una para capturar la red atómica regular y otra para detectar vacantes. Este enfoque identificó automáticamente más de 150.000 átomos y alrededor de 3.000 vacantes a lo largo de las tres capas metálicas de muchas láminas de MXene, proporcionando una imagen estadísticamente robusta de dónde aparecen los defectos.

Reconstruyendo la tercera dimensión oculta

Con coordenadas precisas para cada átomo y vacante, el equipo reconstruyó cómo se distribuyen los defectos a través del espesor de las láminas de MXene. Aprovechando la geometría cristalina conocida y el ángulo de visión en el microscopio, pudieron separar los átomos en dos capas exteriores y una capa intermedia. Encontraron que las capas exteriores albergaban consistentemente más vacantes que la capa central, en consonancia con predicciones anteriores de que es más fácil extraer átomos de las superficies que del interior. Al comparar muestras grabadas con distintas concentraciones de ácido fluorhídrico, mostraron que condiciones más agresivas no solo aumentan el número total de átomos de titanio faltantes, sino que también incrementan la cantidad de defectos en capas subsuperficiales.

De vacantes solitarias a pequeños túneles

El verdadero poder de la reconstrucción 3D fue la capacidad de clasificar cómo se agrupan las vacantes. Los investigadores hallaron cuatro tipos principales: átomos faltantes verdaderamente aislados; cúmulos superficiales confinados a una capa; cúmulos entre capas que enlazan vacantes a través de capas vecinas; y nanoporos, donde una columna vertical de átomos faltantes forma un pequeño túnel a través de las tres capas. En todos los samples, casi la mitad de los defectos formaban parte de cúmulos en lugar de estar aislados. Un grabado más fuerte generó más de estos defectos complejos y multicapa y nanoporos, aunque el tamaño típico de cada cúmulo se mantuvo aproximadamente igual. Esto sugiere que las condiciones de procesamiento cambian principalmente la frecuencia de aparición de tales cúmulos, no cuánto crecen.

Simulaciones que explican por qué se forman los cúmulos

Para entender por qué las vacantes prefieren agruparse, el equipo combinó sus hallazgos experimentales con simulaciones informáticas a gran escala que imitaron la red del MXene bajo diferentes condiciones ocultas, como el número de átomos de carbono faltantes y la cobertura de grupos superficiales adheridos a las capas metálicas exteriores. Estas simulaciones mostraron que cuando las vacantes de carbono son más comunes, las vacantes de titanio tienden a reunirse cerca, reduciendo el número de enlaces rotos y bajando la energía total. Aumentar la densidad de grupos superficiales, en contraste, hace que sea menos favorable que las vacantes se concentren en las capas exteriores y desplaza algunos cúmulos hacia el interior. Cuando los investigadores compararon los patrones de defectos simulados con las mediciones, el mejor acuerdo provino de escenarios con vacantes de carbono sustanciales y una cobertura superficial moderada, lo que destaca cómo estos ingredientes “invisibles” dirigen el paisaje 3D de defectos.

Diseñar mejores materiales ajustando sus fallos

En conjunto, este trabajo demuestra una nueva forma de ver y cuantificar defectos atómicos individuales a lo largo del volumen de materiales 2D apilados, en lugar de solo en la superficie. Para los MXenes, el método revela cómo la fuerza del ácido y la química asociada controlan si los átomos faltantes permanecen aislados o se ensamblan en cúmulos y nanoporos que pueden influir de manera decisiva en el comportamiento eléctrico, mecánico y químico. Más ampliamente, el marco de microscopía guiada por IA combinada con simulación podría adaptarse a muchos otros materiales en capas. Al convertir patrones de defectos ocultos en algo que puede medirse, clasificarse y modelarse, los científicos pueden comenzar a diseñar y controlar deliberadamente “topologías de defectos”: ajustando pequeñas imperfecciones para construir mejores baterías, catalizadores, sensores y más.

Cita: Guinan, G., Smeaton, M.A., Wyatt, B.C. et al. Revealing the hidden third dimension of point defects in two-dimensional MXenes. Nat Commun 17, 3473 (2026). https://doi.org/10.1038/s41467-026-71670-y

Palabras clave: MXenes, defectos puntuales, microscopía electrónica, aprendizaje automático, materiales 2D