En los últimos años, las técnicas de imagen no destructiva han experimentado un rápido desarrollo en el campo de la investigación y conservación de pinturas. El análisis por fluorescencia de rayos X macro (MA-XRF) destaca como una técnica líder, permitiendo a los expertos identificar pigmentos, analizar técnicas pictóricas y obtener información valiosa sobre el proceso creativo del artista. Sin embargo, la técnica MA-XRF genera conjuntos de datos extensos y complejos, lo que supone un desafío para los métodos tradicionales de análisis de datos.
Recientemente, investigadores italianos han aplicado algoritmos de aprendizaje profundo al análisis espectral de conjuntos de datos MA-XRF, desarrollando un nuevo método de análisis. Este método utiliza más de 500.000 espectros sintéticos generados mediante simulación de Monte Carlo para entrenar el algoritmo de aprendizaje profundo, permitiendo un análisis rápido y preciso de los espectros XRF en los conjuntos de datos MA-XRF, superando las limitaciones de los métodos tradicionales de deconvolución.
Para verificar la precisión y aplicabilidad del nuevo método, los investigadores lo aplicaron a dos obras de Rafael expuestas en el Museo di Capodimonte de Italia: "El Padre Eterno" y "La Virgen María". Los resultados mostraron que el modelo de aprendizaje profundo no solo cuantifica con mayor precisión la intensidad de las líneas de fluorescencia, sino que también elimina eficazmente los artefactos producidos por los métodos tradicionales de análisis, generando mapas de distribución elemental más nítidos.
A través de un análisis comparativo con algoritmos tradicionales de deconvolución, los investigadores descubrieron que el nuevo método presenta un rendimiento superior en el tratamiento de líneas elementales con bajo recuento y baja relación señal-ruido, permitiendo separar con mayor precisión las líneas de fluorescencia superpuestas en los espectros XRF y, por lo tanto, identificar los pigmentos con mayor exactitud. Por ejemplo, el nuevo método puede distinguir con precisión entre los elementos hierro (Fe) y manganeso (Mn), así como entre plomo (Pb) y azufre (S), que tienen energías similares, evitando los errores de juicio comunes en los métodos tradicionales.
Este logro representa un avance significativo de la inteligencia artificial en el análisis de obras de arte, ofreciendo nuevas perspectivas para el análisis más preciso y eficiente de espectros XRF, especialmente en el manejo de grandes conjuntos de datos generados por la técnica de imagen MA-XRF. En el futuro, los investigadores planean ampliar el alcance de este método, por ejemplo, para inferir la estructura estratigráfica de las pinturas o comparar datos espectrales obtenidos con diferentes instrumentos.
Enlace del artículo:https://www.science.org/doi/10.1126/sciadv.adp6234