El desarrollo de la electrónica moderna depende en gran medida del rendimiento de los semiconductores, el cual está determinado por varios factores. Aunque actualmente resulta sencillo medir el comportamiento de un transistor, determinar con precisión las propiedades subyacentes del material que causan dicho comportamiento sigue siendo un proceso complejo. Este análisis inverso es muy importante para mejorar el diseño y los procesos de fabricación de componentes electrónicos, pero suele enfrentarse al reto de la "multivaloración", un fenómeno en el cual diferentes combinaciones de propiedades físicas del material producen comportamientos prácticamente idénticos al del chip final.Para abordar esta dificultad, un equipo de investigación liderado por el Instituto de Ciencia de Tokio, en colaboración con la Universidad de la Ciudad de Yokohama y la Universidad Nacional Sun Yat-sen, ha desarrollado un nuevo marco de aprendizaje automático capaz de resolver este problema inverso con notable rapidez. Los enfoques habituales para este tipo de análisis suelen depender de simulaciones por ordenador y optimizaciones basadas en el ensayo y error que pueden requerir horas o incluso días. La propuesta de este equipo, publicada en la revista Advanced Intelligent Systems, reduce de manera significativa estos tiempos de espera mediante el uso de redes neuronales especializadas.Resultados del modelo y validación con componentes reales en laboratorio Imagen del Instituto de Ciencia de TokioEl sistema se basa en una arquitectura de red neuronal tándem, que conecta dos modelos de aprendizaje automático en serie. El primer modelo aborda el problema inverso estimando las propiedades del material a partir de las mediciones del transistor. El segundo modelo es una red predictiva directa previamente entrenada que toma las estimaciones del primer modelo para reconstruir las características originales del transistor. Al integrar el resultado de este segundo modelo en el proceso de entrenamiento del primero, el sistema aprende a identificar soluciones que no solo son matemáticamente viables, sino también coherentes desde el punto de vista de la física.Los investigadores entrenaron esta red tándem utilizando mil conjuntos de datos de transistores de óxido de indio, galio y óxido de zinc, abarcando seis parámetros físicos clave como la movilidad de los electrones y la densidad de defectos. A pesar de trabajar con un rango de parámetros considerablemente más amplio que en estudios previos de aprendizaje automático, el modelo consiguió estimar los seis parámetros a partir de una única curva de corriente-voltaje en menos de un milisegundo, mostrando una gran precisión. Asimismo, el sistema fue probado con transistores reales fabricados en laboratorio bajo diferentes condiciones, logrando reproducir el comportamiento medido sin necesidad de realizar ajustes adicionales en el modelo. Paso a paso: así produce los semiconductores más avanzados del mercado el mayor fabricante del mundo, TSMCEsta tecnología abre diversas posibilidades de aplicación práctica tanto en la industria como en la investigación científica. En el ámbito de la manufactura, podría facilitar el control de calidad de los transistores directamente en las líneas de producción a medida que son fabricados. En el sector de la investigación, este enfoque puede integrarse como una herramienta en laboratorios autónomos dirigidos por inteligencia artificial para diseñar y analizar experimentos con una mínima intervención humana. Además, los autores del estudio señalan que esta metodología no se limita al campo de los semiconductores, sino que podría aplicarse a una amplia variedad de problemas inversos que presentan el reto de la multivaloración en disciplinas como la ciencia de materiales, la química o la óptica.