Dos máquinas de la misma marca y modelo pueden responder de manera distinta pese a compartir especificaciones. Esa variación, pequeña en una prueba aislada, puede acumularse durante la producción y afectar a la reproducibilidad. Para abordar el problema, IMDEA Materiales y el Laboratorio Nacional Lawrence Berkeley han desarrollado un algoritmo de inteligencia artificial que crea un perfil de rendimiento individual para cada máquina.
La propuesta se dirige a entornos de fabricación automatizada en los que numerosos equipos ejecutan tareas equivalentes. En vez de asumir que todos funcionan exactamente igual, el sistema busca diferencias sutiles en su comportamiento. El objetivo es decidir si conviene aplicar una misma optimización al conjunto o adaptar los ajustes a cada unidad para reducir errores.
Un diagnóstico antes de elegir los ajustes
El método comienza analizando el funcionamiento de cada equipo y construyendo un diagnóstico propio. Esa caracterización permite comparar máquinas teóricamente idénticas sin dar por hecho que su rendimiento también lo será. La IA trata ese perfil como una referencia para escoger la estrategia de optimización, una idea que la fuente describe mediante la “personalidad” de cada máquina.
Si los perfiles revelan un comportamiento suficientemente parecido, el algoritmo aplica una optimización conjunta, orientada a maximizar la eficiencia del grupo. Cuando encuentra diferencias significativas, cambia de enfoque y activa una mejora individualizada que prioriza la precisión. No se trata, por tanto, de ajustar siempre cada unidad por separado, sino de determinar primero cuándo esa personalización resulta necesaria.
Este planteamiento intenta corregir los sesgos particulares que una configuración común puede dejar intactos. En una granja de impresión 3D, por ejemplo, una desviación pequeña y persistente puede alterar sucesivas piezas. El problema adquiere especial importancia en procesos de alta precisión, como ciertas aplicaciones de fabricación aditiva vinculadas a la arquitectura o a la industria aeroespacial.
Tres impresoras iguales, tres comportamientos distintos
El equipo validó el método con tres impresoras 3D de la misma marca y modelo, con números de serie muy próximos. Aunque sobre el papel debían ofrecer un rendimiento casi idéntico, el algoritmo encontró diferencias apreciables entre ellas. El diagnóstico concluyó que cada impresora necesitaba su propia estrategia de optimización, en lugar de un único ajuste compartido.
La evaluación tomó como referencia los errores en el peso de las piezas impresas. Según los investigadores, la optimización individual redujo sustancialmente esas desviaciones frente al enfoque que trataba las tres máquinas por igual.
La consecuencia práctica es que una línea automatizada podría evitar que las particularidades de cada equipo queden ocultas bajo una configuración uniforme. Al corregir esas diferencias, el proceso puede ganar precisión y reducir experimentos fallidos.
Una metodología con posibles usos más amplios
El interés técnico del trabajo reside en combinar el diagnóstico individual con una decisión adaptativa. La automatización no obliga a elegir de antemano entre un modelo común para toda la flota y otro completamente personalizado: el algoritmo selecciona una de las dos vías a partir de las variaciones que detecta.
Además de la impresión 3D, la metodología podría trasladarse a procesos basados en experimentación de alto rendimiento. La fuente señala como posibles ámbitos el descubrimiento de materiales, la síntesis química y la calibración de sensores.
Esta clase de control encaja en una evolución más amplia del uso de la inteligencia artificial para observar cómo trabajan los sistemas físicos, más allá de aplicaciones de software como la identificación de procesos que utilizan IA en Windows 11. En la fabricación, la aportación concreta consiste en reconocer que equipos aparentemente intercambiables pueden necesitar ajustes distintos para producir resultados consistentes.
