Aprendizaje contrastivo mejorado con KAN: el acelerador de identificación de estructuras cristalinas a partir de patrones de DRX

Por qué importa mapear cristales más rápido

Nuevos materiales para baterías, electrónica y energía limpia suelen descubrirse cristal a cristal. La disposición atómica interna de cada cristal determina su comportamiento, y los científicos suelen leer esa disposición a partir de patrones de difracción de rayos X en polvo (DRX): gráficas con picos que se generan cuando los rayos X se dispersan en una muestra. Hoy, convertir esos patrones en una estructura concreta es un trabajo lento que depende mucho de expertos. Este artículo presenta un sistema de aprendizaje automático que puede emparejar rápidamente un patrón de DRX con estructuras cristalinas probables, haciendo ese trabajo detectivesco más rápido, más fiable y más fácil de integrar en laboratorios automatizados.

De patrones con picos a planos atómicos

En la práctica convencional, un especialista en DRX inspecciona los picos de un patrón, usa fórmulas físicas para inferir posibles separaciones atómicas y luego compara de forma iterativa estructuras candidatas con los datos. Este proceso falla cuando los picos se solapan o cuando hay muchas posibilidades similares, y no escala bien a experimentos de alto rendimiento modernos que pueden producir miles de patrones al día. Herramientas anteriores de aprendizaje automático han tratado la DRX mayormente como un problema de etiquetado —predecir una clase de simetría o grupo espacial a partir de un patrón— en lugar de identificar directamente la estructura. El nuevo enfoque, llamado Preentrenamiento Contrastivo XRD‑Crystal (XCCP), replantea la tarea como recuperación: dado un patrón, encontrar el cristal más compatible en una gran base de datos.

Una visión bifocal de los patrones de rayos X

XCCP aprende a “ver” los datos de DRX de forma físicamente informada. En lugar de alimentar todo el patrón a una única red neuronal, el método lo divide en dos rangos. Una rama se centra en ángulos pequeños, que capturan características de larga distancia como espaciamientos por capas y superredes. La otra se concentra en ángulos amplios, donde los picos son densos y están muy gobernados por la simetría cristalina. Cada rama es procesada por una red profunda y luego combinada mediante un módulo de proyección especial basado en redes de Kolmogorov–Arnold (KAN). Este módulo destaca por enfocar la atención en regiones estrechas del patrón —justo donde los picos de difracción agudos llevan la mayor parte de la información estructural.

Poniendo patrones y estructuras en un punto medio común

En el lado de las estructuras, XCCP utiliza una red basada en grafos que representa los átomos como nodos y sus enlaces como conexiones. Durante el entrenamiento, el sistema ve muchos pares emparejados: un patrón de DRX y su estructura cristalina conocida. Aprende un espacio numérico compartido donde cada patrón queda cerca de su propia estructura y lejos de las no coincidentes. Cuando llega un patrón nuevo, el modelo lo incrusta en ese espacio, lo compara con las incrustaciones de todas las estructuras de la base de datos y devuelve una lista ordenada. Sin conocimiento alguno de qué elementos están presentes, la estructura correcta ocupa el primer puesto casi la mitad de las veces y aparece entre los cinco primeros en la gran mayoría de los casos. Cuando el usuario también proporciona la composición química —información comúnmente disponible en experimentos reales— la coincidencia top‑1 es correcta casi el 90% de las veces.

Ver lo que la máquina ve

Los autores investigan si su sistema se basa en física real o en peculiaridades accidentales de los datos. Enmascarando partes del patrón y usando herramientas de atribución, muestran que la cabeza KAN basa sus decisiones principalmente en picos de difracción fuertes y bien definidos, en lugar de en variaciones amplias de fondo o ruido. La rama de ángulo bajo añadida mejora consistentemente el rendimiento, especialmente para cristales de baja simetría y patrones donde las características de ángulo alto son ambiguas. El modelo también demuestra ser robusto frente a imperfecciones experimentales comunes como el ensanchamiento de picos y pequeños desplazamientos a lo largo del eje angular, y se transfiere razonablemente bien a conjuntos de datos experimentales reales. Es importante que las puntuaciones de similitud que produce sirvan también como medidas de confianza, cayendo notablemente cuando la estructura verdadera está ausente de la base de datos —una propiedad esencial para el uso seguro en escenarios reales.

Hacia un descubrimiento de materiales más inteligente y autónomo

Para un no especialista, el mensaje principal es que XCCP convierte el análisis de DRX de un oficio en una búsqueda rápida y basada en datos. Alineando patrones de difracción y cristales candidatos en un espacio compartido, y usando un diseño de red consciente de la física, el sistema puede proponer rápidamente una lista corta de planos atómicos plausibles con confianza interpretable. No reemplaza el juicio experto ni los refinamientos detallados, pero acelera grandemente el primer y más difícil paso: averiguar qué estructuras son siquiera plausibles. Esto lo hace especialmente adecuado para laboratorios de alto rendimiento y autónomos, donde robots pueden sintetizar nuevos compuestos, medir sus patrones de DRX y dejar que XCCP sugiera estructuras probables en tiempo real, acelerando el camino desde los datos crudos hasta nuevos materiales.

Cita: Xu, C., Su, T., Xiong, J. et al. KAN-enhanced contrastive learning: the accelerator of crystal structure identification from XRD patterns. npj Comput Mater 12, 144 (2026). https://doi.org/10.1038/s41524-026-02015-y

Palabras clave: difracción de rayos X en polvo, identificación de estructuras cristalinas, aprendizaje contrastivo, informática de materiales, redes de Kolmogorov–Arnold