Investigadores del Grupo de Nano-Óptica Cuántica de la Universidad de Oviedo y del CINN-CSIC, en colaboración con el INMA (CSIC-UNIZAR) y el DIPC, han desarrollado una herramienta de inteligencia artificial que parte de un patrón deseado de propagación de nanoluz y propone estructuras capaces de producirlo, formadas por láminas delgadas de distintos materiales con espesores, ángulos de giro y frecuencias de operación específicos El estudio, publicado en Nature Materials, permitirá avanzar en el desarrollo de componentes nanofotónicos, sensores y sistemas de gestión térmica
Zaragoza, 31 de agosto de 2026. Los polaritones superficiales son ondas híbridas de luz y materia confinadas cerca de una superficie. Se propagan a lo largo de ella con longitudes de onda mucho menores que las de la luz en el espacio libre, por lo que constituyen una forma de nanoluz. En el α-MoO3, un material inorgánico formado por molibdeno y oxígeno, esta nanoluz surge del acoplamiento de la luz convencional con las vibraciones de los átomos y recibe el nombre de fonón-polaritón. Controlar su dirección podría facilitar el desarrollo de componentes nanofotónicos, sensores y sistemas de gestión térmica. Investigadores de la Universidad de Oviedo y del Centro de Investigación en Nanomateriales y Nanotecnología (CINN), en colaboración con el Instituto de Nanociencia y Materiales de Aragón (INMA, instituto mixto del Consejo Superior de Investigaciones Científicas y la Universidad de Zaragoza) y el Donostia International Physics Center (DIPC), presentan en Nature Materials una herramienta que permite diseñar bajo demanda la propagación de nanoluz. La estrategia aprovecha la posibilidad de exfoliar materiales que producen nanoluz, como el α-MoO3, en láminas muy delgadas y apilarlas con una orientación relativa controlada, como si fueran cartas de una baraja colocadas unas sobre otras y giradas entre sí. En estas estructuras, la dirección de propagación de la nanoluz depende del número y el material de las capas, de sus espesores y ángulos de giro, y de la frecuencia de la luz incidente. Este enfoque basado en el apilamiento sustenta el nuevo campo de la twistóptica, un área de la óptica de materiales 2D que estudia cómo las propiedades ópticas cambian al girar una capa de material con respecto a otra. Sin embargo, el número de combinaciones crece rápidamente al añadir capas, lo que dificulta anticipar la propagación resultante mediante la intuición física. La inteligencia artificial permite abordar este espacio de diseño con múltiples variables. Uno de los aspectos más llamativos de esta capacidad es que invierte el procedimiento habitual: en lugar de partir de una estructura y calcular después cómo se propagará la luz, la red parte de la propagación deseada y propone varias configuraciones candidatas. Para ello, el equipo creó una red multirama con la que pudo diseñar tricapas a partir de una bicapa de partida, así como patrones de propagación novedosos en regiones espectrales no exploradas hasta ahora y con distintos materiales. Para comprobar experimentalmente una de las predicciones de la red, utilizó microscopía óptica de campo cercano, una técnica que el equipo ha contribuido a consolidar durante la última década. «Antes había que explorar muchas posibilidades tanto en la teoría como en el experimento. Ahora partimos de la propagación deseada y obtenemos varias estructuras candidatas en poco tiempo», explica Lucía F. Álvarez-Tomillo, investigadora predoctoral de la Universidad de Oviedo y primera autora del estudio. Mediante cálculos y simulaciones, la red propuso estructuras de α-MoO3 con bicanalización y tricanalización de la nanoluz, es decir, capaces de dirigirla en dos y tres direcciones, un comportamiento no observado hasta ahora. También predijo la canalización en bicapas de distintos materiales, con frecuencias de operación que abarcan desde el visible hasta los terahercios. «La automatización permite generar varias soluciones y explorar estructuras muy novedosas en tiempo récord», señala José Álvarez-Cuervo, investigador predoctoral de la Universidad de Oviedo y coautor del artículo.
Apuesta estratégica en Inteligencia Artificial en nanociencia y materiales Por parte del INMA, han liderado el trabajo Luis Martín Moreno, Profesor de Investigación del CSIC; Sergio Gutiérrez Rodrigo, Profesor Titular de la Universidad de Zaragoza, y Pablo Antonio Calvo Barlés, investigador predoctoral del CSIC. «Es importante destacar que la red neuronal no sustituye el modelo físico desarrollado previamente, sino que aprende de soluciones calculadas con él. Así identifica varias propuestas, que después se contrastan mediante simulaciones y, en casos seleccionados, mediante experimentos», explica Luis Martín-Moreno. El trabajo se ha desarrollado dentro del grupo ATMOS (Teoría, Modelización y Simulación) del INMA, al que pertenecen los investigadores implicados. Esta investigación se enmarca, además, en el proyecto nacional “Simulación, Modelización e Inteligencia Artificial para Ciencia de Materiales”, financiado en la convocatoria de Proyectos de Generación de Conocimiento 2023, que aborda precisamente la aplicación de nuevas herramientas de simulación, modelización e inteligencia artificial al estudio de materiales. Esta línea de investigación forma parte también de la apuesta estratégica del INMA por impulsar la utilización de la Inteligencia Artificial en el desarrollo de la nanociencia y la ciencia de materiales, una de las líneas que el Instituto está potenciando en el marco de su programa de excelencia Severo Ochoa.
Referencia:
Deep learning design of nanoscale polariton propagations in twisted van der Waals multilayers
DOI: 10.1038/s41563-026-02723-2
Álvarez-Tomillo, L. F., Álvarez-Cuervo, J., Calvo-Barlés, P., Rodrigo, S. G., Terán-García, E., Taragaza Martín-Luengo, A., Voronin, K. V., Nikitin, A. Y., Martín-Moreno, L. & Alonso-González, P.
Nature Materials (2026), 28th Aug. 2026
Abtract: Nano-optics aims to understand and control the propagation of light at the nanoscale through the excitation of surface polaritons: hybrid light–matter quasiparticles. Recently, twisted van der Waals materials have enabled unprecedented phonon polariton propagations, such as canalization. However, nano-optics still presents an important limitation: obtaining polariton propagations on demand. Here we combine deep neural networks with twisted polaritonic multilayers to enable on-demand design of phonon polariton propagation. We demonstrate canalization, bicanalization and tricanalization in twisted α-MoO3 homostructures over previously unexplored frequencies (600–800 cm−1). We illustrate the practical potential of our method by achieving a desired polariton propagation in an existing α-MoO3 bilayer by adding an extra α-MoO3 layer. Finally, we extend our neural networks to a variety of other materials, allowing us to predict canalization from the visible to the terahertz regime. Our deep-learning-based approach offers considerable potential for advancing nanophotonic applications in areas such as sensing or thermal management.
Fotos: Luis Martín Moreno, Sergio Gutiérrez y Pablo Antonio Calvo Barles.
31-08-2026
