Nacida en una familia de arquitectos, a Nina Andrejević le encantaba crear dibujos de su casa y otros edificios cuando era niña en Serbia. Ella y su hermana gemela compartían esta pasión, junto con el apetito por las matemáticas y las ciencias. Con el tiempo, estos intereses convergieron en un camino académico que comparte algunos atributos con la profesión familiar, según Andrejević, candidato a doctorado en ciencia e ingeniería de materiales en el MIT.
“La arquitectura es tanto un campo creativo como técnico, en el que intentas optimizar las características que deseas para ciertos tipos de funcionalidad, como el tamaño de un edificio o el diseño de las diferentes habitaciones de una casa”, dice. El trabajo de Andrejević en el aprendizaje automático se asemeja al de los arquitectos, cree: “Partimos de un sitio vacío, un modelo matemático que tiene parámetros aleatorios, y nuestro objetivo es entrenar este modelo, llamado red neuronal, para que tenga la funcionalidad que deseamos. ”
Andrejević es asesor de doctorado de Mingda Li, profesor asistente en el Departamento de Ciencia e Ingeniería Nuclear. Como asistente de investigación en el Grupo de Medición Cuántica de Li, está entrenando sus modelos de aprendizaje automático para buscar características nuevas y útiles en los materiales. Su trabajo con el laboratorio ha aparecido en revistas tan importantes como Comunicaciones de la naturaleza, ciencia avanzada, Cartas de revisión física, y Nano letras.
Un área de especial interés para su grupo es la de los materiales topológicos. “Estos materiales son una fase exótica de la materia que puede transportar electrones en la superficie sin pérdida de energía”, dice. “Esto los hace muy interesantes para hacer tecnologías más eficientes energéticamente”.
Con su hermana Jovana, candidata a doctorado en física aplicada en la Universidad de Harvard, Andrejević ha desarrollado un método para probar muestras de materiales para predecir la presencia de características topológicas que es más rápido y más versátil que otros métodos.
Si el objetivo final es «producir tecnologías de mejor rendimiento y ahorro de energía», dice, «primero debemos saber qué materiales son buenos candidatos para estas aplicaciones, y eso es algo que nuestra investigación puede ayudar a confirmar».
Formando equipos
Las semillas de esta investigación se plantaron hace más de un año. “Mi hermana y yo siempre decíamos que sería genial hacer un proyecto juntos, y cuando Mingda sugirió este estudio de materiales topológicos, se me ocurrió que podíamos hacer de esto una colaboración formal”, dice Andrejević. Las hermanas son más parecidas que la mayoría de las gemelas, señala, y comparten muchos intereses académicos. “Ser un gemelo es una gran parte de mi vida y trabajamos bien juntos, ayudándonos mutuamente en áreas que no entendemos”.
El trabajo de tesis de Andrejević, que abarca varios proyectos, utiliza técnicas espectroscópicas especializadas y análisis de datos, reforzado por el aprendizaje automático, que puede encontrar patrones en grandes cantidades de datos de manera más eficiente que incluso las computadoras de mayor rendimiento.
“El hilo conductor de todos mis proyectos es esta idea de tratar de acelerar o mejorar nuestra comprensión al aplicar estas herramientas de caracterización, y así obtener información más útil que la que podemos obtener con modelos más tradicionales o aproximados”, dice. La investigación de los gemelos sobre materiales topológicos sirve como ejemplo.
Para descubrir propiedades novedosas y potencialmente útiles de los materiales, los investigadores deben interrogarlos a escala atómica y cuántica. Las técnicas espectroscópicas de neutrones y fotones pueden ayudar a capturar estructuras y dinámicas previamente no identificadas, y determinar cómo el calor, los campos eléctricos o magnéticos y el estrés mecánico afectan los materiales en el nivel liliputiense. Las leyes que gobiernan este reino, donde los materiales no se comportan como lo harían a escala macro, son las de la mecánica cuántica.
Los enfoques experimentales actuales para identificar materiales topológicos son técnicamente desafiantes e inexactos, lo que podría excluir candidatos viables. Las hermanas creían que podían evitar estas trampas utilizando una técnica de imagen ampliamente aplicada, llamada espectroscopia de absorción de rayos X (XAS), y combinada con una red neuronal entrenada. XAS envía haces de rayos X enfocados a la materia para ayudar a mapear su geometría y estructura electrónica. Los datos de radiación que proporciona ofrecen una firma única para el material muestreado.
“Queríamos desarrollar una red neuronal que pudiera identificar la topología a partir de la firma XAS de un material, una medida mucho más accesible que la de otros enfoques”, dice Andrejević. «Con suerte, esto nos permitiría examinar una categoría mucho más amplia de posibles materiales topológicos».
Durante meses, los investigadores alimentaron la información de su red neuronal de dos bases de datos: una contenía materiales teóricamente predichos como topológicos y la otra contenía datos de absorción de rayos X para una amplia gama de materiales. “Cuando se entrena adecuadamente, el modelo debería servir como herramienta donde lee nuevas firmas XAS que no ha visto antes y le dice si el material que produjo el espectro es topológico”, explica Andrejević.
La técnica del dúo de investigación ha demostrado resultados prometedores, que ya han publicado en una preimpresión, «Indicadores espectrales de topología de aprendizaje automático». “Para mí, lo emocionante de estos proyectos de aprendizaje automático es ver algunos patrones subyacentes y poder entenderlos en términos de cantidades físicas”, dice Andrejević.
Avanzando hacia los estudios de materiales
Fue durante su primer año en la Universidad de Cornell que Andrejević experimentó por primera vez el placer de observar la materia en un nivel íntimo. Después de un curso en nanociencia y nanoingeniería, se unió a un grupo de investigación de materiales de imágenes a escala atómica. “Siento que soy una persona muy visual, y esta idea de poder ver cosas que hasta ese momento eran solo ecuaciones o conceptos, fue realmente emocionante”, dice. “Esta experiencia me acercó al campo de la ciencia de los materiales”.
El aprendizaje automático, fundamental para el trabajo de doctorado de Andrejević, será fundamental para su vida después del MIT. Cuando se gradúe este invierno, se dirigirá directamente al Laboratorio Nacional de Argonne, donde ganó una prestigiosa beca Maria Goeppert Mayer, otorgada «internacionalmente a destacados científicos e ingenieros con doctorado que se encuentran en los primeros momentos de carreras prometedoras». “Intentaremos diseñar redes neuronales basadas en la física, centrándonos en los materiales cuánticos”, dice.
Esto significará despedirse de su hermana, de quien nunca ha estado separada por mucho tiempo. “Será muy diferente”, dice Andrejević. Pero agrega: “¡Espero que Jovana y yo colaboremos más en el futuro, sin importar la distancia!”.