La caracterización tridimensional de materiales a escala nanométrica es uno de los mayores desafíos en la ciencia de materiales y la industria de semiconductores. Cuando hablamos de memorias de cambio de fase, como las basadas en compuestos de Ge-Sb-Te (GST), la capacidad de mapear la composición elemental en 3D sin destruir la muestra se convierte en un factor crítico para entender los mecanismos de operación y fallo. Aquí es donde la tomografía STEM-EDX (Energy Dispersive X-ray) en modo de ángulo limitado ofrece una ventana prometedora, pero también plantea problemas severos: artefactos por el cono de datos faltante y ruido elevado debido a las bajas dosis necesarias para evitar daño por haz. Recientemente, un enfoque basado en inteligencia artificial no supervisada ha demostrado ser capaz de superar estas limitaciones, abriendo nuevas posibilidades para la industria.

El método se apoya en una arquitectura de Deep Image Prior con regularización de variación total (DIP-TV), adaptada a un formato multicanal que permite reconstruir simultáneamente varios mapas elementales aprovechando las correlaciones espaciales entre ellos. A diferencia de técnicas supervisadas que requieren grandes volúmenes de datos etiquetados, este esquema aprende directamente de la propia medición, lo que resulta especialmente valioso en entornos experimentales donde los datos son escasos y costosos de obtener. En ensayos con fantomas sintéticos que simulan un rango angular perdido de aproximadamente 100°, el método ha logrado compensar los artefactos de cuña faltante, ofreciendo una resolución casi isótropa y superando a técnicas clásicas como la reconstrucción iterativa simultánea o los enfoques de compresión dispersa.

La aplicación práctica en dispositivos reales de memoria GST, tanto en estado virgen como en estado cristalino SET, ha confirmado la viabilidad de esta técnica. Las muestras, preparadas como láminas delgadas mediante haz de iones enfocados (FIB), se analizaron en un rango de inclinación de -40° a +40° con pasos de 5° y una dosis de 2.0×10⁵ electrones por angstrom cuadrado. A pesar de estas condiciones extremadamente limitadas —un rango total de solo 80°, lo que deja más de 100° sin cubrir— el algoritmo de agentes IA y regularización logró reconstruir volúmenes con resolución espacial casi isótropa, revelando heterogeneidades composicionales asociadas a la conmutación del dispositivo. Todo esto utilizando únicamente las señales EDX, sin necesidad de imágenes externas de campo oscuro anular de alto ángulo (HAADF) como prior estructural.

Para las empresas que desarrollan tecnología de almacenamiento y dispositivos de memoria, este avance representa un salto cualitativo: ahora es posible obtener mapas elementales 3D de alta fidelidad a partir de configuraciones experimentales que antes se consideraban inviables. La combinación de inteligencia artificial con técnicas de tomografía de ángulo limitado no solo mejora la calidad de la reconstrucción, sino que también reduce el tiempo de adquisición y el daño por radiación, dos cuellos de botella clásicos en la caracterización de nanodispositivos. Desde una perspectiva empresarial, contar con servicios cloud aws y azure para procesar estos volúmenes de datos masivos y ejecutar los modelos de IA de forma escalable es fundamental para integrar esta tecnología en flujos de trabajo industriales.

En Q2BSTUDIO entendemos que la innovación en microscopía y análisis de materiales requiere de herramientas de software robustas y personalizadas. Por eso ofrecemos aplicaciones a medida que integran pipelines de reconstrucción tomográfica, desde la adquisición hasta la visualización 3D. Nuestro equipo desarrolla software a medida para laboratorios y centros de I+D, permitiendo implementar algoritmos de ia para empresas como el DIP-TV multicanal en entornos productivos. Además, ofrecemos servicios inteligencia de negocio para extraer patrones de los datos composicionales a gran escala, así como soluciones de ciberseguridad para proteger la propiedad intelectual asociada a estos análisis. También colaboramos en la integración con plataformas de servicios cloud aws y azure para garantizar el cómputo paralelo y el almacenamiento seguro de las reconstrucciones. Y, por supuesto, mediante Power BI generamos dashboards interactivos que relacionan la composición química 3D con el rendimiento eléctrico de los dispositivos.

El futuro de la caracterización de materiales pasa por combinar técnicas experimentales avanzadas con inteligencia artificial y agentes IA capaces de automatizar el proceso de reconstrucción y análisis. En Q2BSTUDIO estamos preparados para acompañar a las empresas en esta transformación, ofreciendo inteligencia artificial aplicada a problemas de tomografía, siempre con un enfoque práctico y orientado a resultados. La tomografía STEM-EDX con IA no supervisada ya no es solo una promesa de laboratorio: es una herramienta disponible para quienes quieren liderar la próxima generación de memorias de cambio de fase y otros nanodispositivos.