███╗ ███╗ ██████╗ ███████╗███████╗ █████╗ ██╗
████╗ ████║██╔═══██╗██╔════╝██╔════╝██╔══██╗██║
██╔████╔██║██║ ██║███████╗███████╗███████║██║
██║╚██╔╝██║██║ ██║╚════██║╚════██║██╔══██║██║
██║ ╚═╝ ██║╚██████╔╝███████║███████║██║ ██║██║
╚═╝ ╚═╝ ╚═════╝ ╚══════╝╚══════╝╚═╝ ╚═╝╚═╝
Ajuste espectral híbrido y clasificación de espectros Mössbauer de
$^{57}\text{Fe}$ mediante Aprendizaje Automático
Autores:
- José David Bernal (@JD314)
- Daniel José Duque
- Salomón Urán
Instituto de Física, Facultad de Ciencias Exactas y Naturales, Universidad de Antioquia (UdeA), Medellín, Colombia
15ª Muestra de Física Experimental | Laboratorio Avanzado II (2026)
- Descripción General
- Fundamento Físico: Espectroscopía Mössbauer
- Arquitectura del Proyecto y Pipeline
- Resultados y Discusión
- Estructura del Repositorio
- Instalación y Configuración
- Guía de Uso
- Trabajo Futuro
- Referencias
MossAI es un entorno computacional abierto y reproducible para la automatización integral del análisis de espectros de Espectroscopía Mössbauer de
El procedimiento experimental tradicional en espectroscopía Mössbauer exige que un espectroscopista experto inspeccione visualmente el espectro de absorción, proponga manualmente una hipótesis de modelo físico (número de singletes, dobletes y sextetes), defina cotas y semillas iniciales para los parámetros hiperfinos (
MossAI resuelve este cuello de botella mediante una metodología en dos etapas complementarias:
-
Clasificación Química Directa: Identificación supervisada de familias minerales/químicas a partir de las intensidades del espectro crudo mediante redes neuronales profundas (MLP y CNN 1D) con manejo de desbalance extremo vía
FocalLoss. -
Ajuste Espectral Híbrido No Supervisado: Selección autónoma de la topología espectral mediante estimadores no supervisados (reglas de picos, GMM, NMF, DBSCAN y exploración penalizada por BIC/RMSE) combinada con optimización no lineal multi-start sobre PyMossFit y asignación cristaloquímica post-hoc mediante
$k$ -Nearest Neighbors (KNN).
PIPELINE INTEGRAL MOSSAI
┌────────────────────────────────────────────────────────────────────────┐
│ Datos Espectrales Crudos │
│ (DEVAS / NeMO Open Database + GES UdeA) │
└──────────────────────────────────┬─────────────────────────────────────┘
│
▼
┌────────────────────────────────────────────────────────────────────────┐
│ MÓDULO 1: Preprocesamiento │
│ • Filtrado físico Doppler [-12, +12 mm/s] │
│ • Estandarización dimensional por Splines Cúbicos (256/512 pts) │
│ • Agrupamiento Cristaloquímico (Óxidos/Hidróxidos, Silicatos, Otros)│
└──────────────────┬──────────────────────────────────┬──────────────────┘
│ │
▼ ▼
┌──────────────────────────────────────┐ ┌──────────────────────────────┐
│ MÓDULO 2: Clasificación Directa │ │ MÓDULO 3: Ajuste Híbrido │
│ • Entrada: Intensidad Cruda I(v) │ │ • Selección No Supervisada │
│ • MLP Base (Exactitud: 75.9%) │ │ (Peak, GMM, NMF, DBSCAN, │
│ • CNN 1D Base (Exactitud: 51.8%) │ │ Two-Phase, BIC Grid) │
│ • Optimización con Focal Loss │ │ • Refinamiento lmfit │
│ • Salida: Probabilidades de Clase │ │ (Multi-start Levenberg-M.) │
└──────────────────────────────────────┘ │ • Parsimonia BIC vs RMSE │
│ • Mapeo de Fases con KNN │
│ • Salida: δ, ΔEQ, Bhf, Γ │
└──────────────────────────────┘
Descubierta por Rudolf Mössbauer en 1958, la espectroscopía Mössbauer se basa en la emisión y absorción resonante de rayos gamma sin retroceso nuclear en redes cristalinas sólidas. En núcleos libres o en fases gaseosas/líquidas, la energía del fotón gamma emitido sufre una pérdida por retroceso mecánico del núcleo emisor; sin embargo, en un sólido cristalino a bajas temperaturas o con alta energía de Debye, la masa efectiva que absorbe el retroceso es la de toda la red cristalina, permitiendo líneas de resonancia extremadamente estrechas (
Para barrer estas minúsculas diferencias de energía, se modula periódicamente la velocidad
Donde
Para profundizar en el montaje experimental, la interacción radiación-materia y la fenomenología del efecto Mössbauer, se recomienda revisar el siguiente recurso audiovisual:
📺 Ver Video: Mössbauer Spectroscopy - Overview of Technique & Principles
Las interacciones entre el núcleo sonda
| Parámetro Hiperfino | Origen Físico | Manifestación Espectral | Topología Asociada |
|---|---|---|---|
| Corrimiento Isomérico ( |
Interacción culombiana electrostática monopolar entre la densidad de carga de electrones |
\psi(0) | ^2$ y el radio nuclear. Sensible al estado de oxidación ( |
| Desdoblamiento Cuadrupolar ( |
Interacción entre el momento cuadrupolar nuclear |
División del nivel excitado en dos subniveles ( |
Doblete (1D, 2D) |
| Campo Hiperfino Magnético ( |
Interacción dipolar magnética nuclear (Efecto Zeeman nuclear) producida por electrones desapareados en materiales con orden magnético (ferro-, ferri- o antiferromagnéticos). | Desdoblamiento de los niveles en 6 transiciones dipolares permitidas ( |
Sextete (1X, 2X) |
Cada línea de absorción se formula mediante un perfil Lorentziano normalizado:
-
Singlete:
$S(v) = L(v; A_s, \delta, \Gamma_s)$ -
Doblete:
$D(v) = L\left(v; \frac{A_d}{2}, \delta - \frac{\Delta E_Q}{2}, \Gamma_d\right) + L\left(v; \frac{A_d}{2}, \delta + \frac{\Delta E_Q}{2}, \Gamma_d\right)$ -
Sextete:
$X(v) = \sum_{k=1}^{6} L(v; A_x \cdot I_k, \delta + p_k B_{hf}, \Gamma_x)$ , con posiciones relativas$p_k \in {-1, -0.6+\varepsilon, -0.2, +0.2, +0.6-\varepsilon, +1}$ e intensidades$I_k \in {3, 2, 1, 1, 2, 3}/12$ .
flowchart TD
subgraph Data["1. Ingesta y Curación de Datos"]
D1[DEVAS Database / NeMO<br/>Mount Holyoke College<br/>4094 espectros] --> DP
D2[Archivo Histórico GES<br/>Universidad de Antioquia] --> DP
DP[Filtro Físico Doppler &<br/>Limpieza de Metadatos] --> S1[Interpolación Spline Cúbico<br/>256 canales uniformes]
end
subgraph Mod2["2. Módulo de Clasificación Directa"]
S1 --> T1[Dataset PyTorch]
T1 --> FL[FocalLoss Ponderada<br/>γ=2.0, α_c adaptativo]
FL --> MLP[MLP Base<br/>256→128→64→3<br/>Exactitud: 75.9%]
FL --> CNN[CNN 1D Base<br/>3 Bloques Conv1d<br/>Exactitud: 51.8%]
MLP --> C_OUT[Predicción Clase Química<br/>0: Óxidos/Hidróxidos<br/>1: Silicatos<br/>2: Otros]
end
subgraph Mod3["3. Módulo de Ajuste Híbrido No Supervisado"]
S1 --> US[Selección No Supervisada de Topología]
US --> M1[Peak Heuristic]
US --> M2[GMM BIC]
US --> M3[NMF Elbow]
US --> M4[DBSCAN Peaks]
US --> M5[Two-Phase RMSE]
US --> M6[BIC Grid Search]
M6 --> LM[Ajuste No Lineal lmfit<br/>Multi-Start Levenberg-Marquardt]
LM --> EVAL[Criterio de Parsimonia BIC<br/>Básico vs Combinaciones]
EVAL --> KNN[Identificación de Fases KNN<br/>Distancia Euclidiana sobre δ, ΔEQ, Bhf]
KNN --> R_OUT[Parámetros Hiperfinos &<br/>Reporte Cristaloquímico]
end
Implementado en Data/joint_dataset.py y EDA_.ipynb:
- Deserialización Segura: Parser sintáctico robusto que resuelve comas anidadas en nombres de muestras y orígenes cristaloquímicos.
-
Filtro Físico Doppler: Remoción de espectros con canales de velocidad espurios fuera del rango operativo de modulación
$[-12.0, +12.0]\text{ mm/s}$ . -
Homogeneización Dimensional: Muestreo y estandarización a
$N=256$ canales espaciados uniformemente mediante splines cúbicos sobre la grilla de velocidad. -
Mapeo Cristaloquímico: Agrupamiento de decenas de subfamilias minerales en 3 macro-clases funcionales:
- Clase 0 (Óxidos e Hidróxidos): Hematita, Magnetita, Goethita, Ilmenita, etc.
- Clase 1 (Silicatos mayoritarios): Piroxeno, Olivino, Anfíbol.
- Clase 2 (Otros): Sulfatos, Fosfatos, Metales, Haluros, Filosilicatos complejos, Carbonatos, Sulfuros, Turmalinas, etc.
Implementado en src/mossbauer_models.py y 02_direct_classification.ipynb:
- MLP Base (Multilayer Perceptron):
Entrada (B, 1, 256) ──► AdaptiveAvgPool1d(256) ──► Flatten ──► Linear(256, 128) ──► ReLU ──► Dropout(0.3) ──► Linear(128, 64) ──► ReLU ──► Dropout(0.3) ──► Linear(64, 3) ──► Logits - CNN 1D Base (Convolutional Neural Network):
Entrada (B, 1, 256) ──► Conv1d(1→32, k=7, p=3) ──► BatchNorm1d ──► ReLU ──► MaxPool1d(2) ──► Conv1d(32→64, k=5, p=2) ──► BatchNorm1d ──► ReLU ──► MaxPool1d(2) ──► Conv1d(64→128, k=3, p=1) ──► BatchNorm1d ──► ReLU ──► MaxPool1d(2) ──► AdaptiveAvgPool1d(1) ──► Flatten ──► Linear(128, 64) ──► ReLU ──► Linear(64, 3)
Para contrarrestar el desbalance natural de la base de datos (donde Silicatos y Óxidos superan ampliamente a las clases minoritarias), se implementa la función de pérdida FocalLoss (src/focal_loss.py):
Con parámetro focal
Implementado en PyMossfit/pymossfit.py y src/fit_dataset.py:
El módulo no supervisado determina automáticamente el vector de topología
-
peak_heuristic: Estimación basada en conteo de mínimos locales, prominencia y anchos de línea. -
gmm: Agrupamiento de mezclas gaussianas ponderadas por la curva de absorción, optimizando el número de componentes por BIC. -
nmf: Descomposición matricial no negativa con detección de punto de quiebre (codo) en el residuo de reconstrucción. -
dbscan_peaks: Agrupamiento espacial por densidad para asociar picos aislados (singletes), pares simétricos (dobletes) o sextetos. -
two_phase: Ajuste secuencial de topologías fundamentales con optimización multi-start y selección por mínimo$\text{RMSE}$ . -
bic_grid: Exploración exhaustiva de topologías parsimoniosas penalizadas por el Criterio de Información Bayesiano ($\text{BIC}$ ):
-
Optimización no lineal: Minimización de residuales con
lmfit(algoritmo Levenberg-Marquardt) y múltiples inicios aleatorios (multi-start) para evadir mínimos locales. -
Identificación de Fases: Búsqueda del vecino más cercano en la base
PyMossfit/reference_data.csvevaluando la distancia euclidiana normalizada en el espacio de parámetros$(\delta, \Delta E_Q, B_{hf})$ .
Resultados obtenidos tras validación cruzada estratificada de 5 particiones (5-Fold Stratified CV) sobre 4094 espectros:
| Arquitectura | Exactitud Promedio | Macro-F1 | F1 Ponderado |
|---|---|---|---|
| CNN 1D Base | |||
| MLP Base |
DESEMPEÑO DE CLASIFICACIÓN (5-FOLD CV)
┌───────────────────────────────────────────────────────────────────┐
│ MLP Base [███████████████████████████████████░░░░░] 75.9% ± 1.5% │
│ CNN 1D Base [███████████████████████░░░░░░░░░░░░░░░░░] 51.8% ± 13.4%│
└───────────────────────────────────────────────────────────────────┘
- Representación Global vs. Filtros Locales: El MLP procesa holísticamente la envolvente espectral, capturando de forma inmediata el número global y separación de las depresiones de absorción. Por el contrario, la CNN 1D requiere un volumen de datos mucho mayor para aprender filtros convolucionales invariantes desde cero.
- Robustez ante el Desbalance y Heterogeneidad: La matriz de confusión demuestra que el MLP logra un 86% de acierto en la clase minoritaria Otros, mientras que la CNN colapsa al 53%, confundiéndola frecuentemente con Silicatos debido a la alta varianza morfológica intra-clase.
El esquema híbrido no supervisado sobre PyMossFit demostró convergencia robusta tanto en espectros con alta relación señal/ruido (SNR) como en espectros altamente ruidosos:
-
Espectro A (Señal Limpia, Dobletes Resueltos): Detección autónoma de topología
$(n_s=0, n_d=2, n_x=0)$ , ajustando con alta precisión los centros$\delta$ , desdoblamientos$\Delta E_Q$ y anchos de línea$\Gamma$ . -
Espectro B (Alto Ruido Experimental): Convergencia autónoma a topología
$(n_s=0, n_d=1, n_x=0)$ , donde la penalización BIC descartó la adición espuria de sextetes inducidos por ruido aleatorio.
- Bases de Datos Abiertas vs. Privativas: A nivel internacional, los repositorios Mössbauer más exhaustivos son propietarios o de pago por suscripción. La base DEVAS/NeMO del Mount Holyoke College constituye uno de los pocos esfuerzos de ciencia abierta en este ámbito.
-
Archivo Histórico GES (UdeA): Se examinaron registros históricos del Grupo de Estado Sólido de la Universidad de Antioquia. La curación masiva se vio limitada por disparidad de formatos multicanal, ausencia de metadatos cristaloquímicos, espectros no calibrados a velocidad física (
$\text{mm/s}$ ) y la indisponibilidad de fuentes radiactivas para recalibración durante el desarrollo del trabajo. MossAI sienta las bases metodológicas para digitalizar e integrar sistemáticamente este archivo histórico.
MossAI/
├── Data/ # Módulos de datos y metadatos
│ ├── joint_dataset.py # Parser relacional y unificación de espectros
│ ├── metadata.csv # Metadatos cristaloquímicos (DEVAS/NeMO)
│ ├── spectra.csv # Canales espectrales crudos
│ └── data.csv # Dataset estructurado combinado
├── PyMossfit/ # Extensión no supervisada de PyMossFit
│ ├── __init__.py
│ ├── pymossfit.py # Algoritmos de ajuste, topologías y KNN
│ ├── evaluate_unsupervised.py # Script CLI de benchmarking no supervisado
│ ├── reference_data.csv # Base de parámetros hiperfinos de referencia
│ ├── Calib-Fe.csv # Espectro estándar de calibración (α-Fe)
│ ├── Calib-Fe.txt # Datos crudos de calibración
│ └── PyMossFit_User_s_Manual.pdf # Manual de usuario original de PyMossFit
├── src/ # Módulos de Machine Learning y utilidades
│ ├── mossbauer_models.py # Arquitecturas MLP/CNN y funciones analíticas
│ ├── focal_loss.py # Implementación de FocalLoss con balance α
│ ├── collate_fn.py # Padding dinámico para batches de PyTorch
│ ├── fit_dataset.py # Serialización de ajustes duales en Parquet
│ └── metrics.py # Matrices de confusión, curvas ROC y calibración
├── outputs/ # Artefactos generados por el pipeline
│ ├── mossbauer_processed.parquet # Dataset preprocesado normalizado (256 pts)
│ ├── eda/ # Figuras de análisis exploratorio
│ ├── models/ # Checkpoints entrenados (*.pt por fold)
│ └── results/ # Métricas en JSON y gráficos de desempeño
├── EDA_.ipynb # Notebook: Módulo 1 (EDA & Preprocesamiento)
├── 02_direct_classification.ipynb # Notebook: Módulo 2 (Clasificación Directa)
├── 3_fit.ipynb # Notebook: Módulo 3 (Ajuste Espectral Híbrido)
├── run_pipeline.py # Script orquestador de ejecución secuencial
├── requirements.txt # Dependencias del proyecto
├── Informe.pdf # Artículo técnico del proyecto
└── Poster.pdf # Póster de la 15ª Muestra de Física Exp.git clone https://github.com/JD314/MossAI.git
cd MossAISe recomienda Python 3.10 o superior:
python3 -m venv venv
source venv/bin/activate # En Linux/macOS
# .\venv\Scripts\activate # En Windowspip install --upgrade pip
pip install -r requirements.txtLos módulos se encuentran secuenciados en cuadernos de Jupyter:
EDA_.ipynb: Ejecuta la limpieza de metadatos, filtro físico Doppler, interpolación por splines y generaoutputs/mossbauer_processed.parquet.02_direct_classification.ipynb: Realiza el entrenamiento de MLP y CNN 1D mediante 5-fold cross-validation y almacena métricas y gráficos enoutputs/results/.3_fit.ipynb: Ejecuta el ajuste espectral híbrido no supervisado, evalúa parsimonia BIC y asigna fases mediante KNN.
Puede ejecutarse el evaluador de ajuste sobre el espectro de calibración o sobre muestras aleatorias del dataset:
python3 PyMossfit/evaluate_unsupervised.py --calib PyMossfit/Calib-Fe.csv --n-samples 5 --n-starts 6Es posible utilizar las funciones de ajuste de MossAI directamente en scripts propios:
import numpy as np
from PyMossfit.pymossfit import fit_spectrum, identify_phases, load_calibrated_csv
# Cargar espectro calibrado
velocity, intensity = load_calibrated_csv("PyMossfit/Calib-Fe.csv")
# Ajuste automático con selección por BIC
resultado = fit_spectrum(velocity, intensity, method="bic_grid", n_random_starts=6)
print(f"Topología detectada (Singletes, Dobletes, Sextetes): {resultado.topology.as_tuple()}")
print(f"Error RMSE del ajuste: {resultado.rmse:.6f}")
print(f"Criterio de Información Bayesiano (BIC): {resultado.bic:.2f}")
# Identificación de fases candidatas por KNN
fases = identify_phases(resultado.report_rows)
for idx, f in enumerate(fases, 1):
top_match = f["matches"][0]
print(f"Componente {idx}: {top_match['compound']} ({top_match['formula']}) - Confianza: {top_match['distance']:.4f}")- Preentrenamiento con Datos Sintéticos: Generar espectros sintéticos mediante combinaciones teóricas de Lorentzianas para preentrenar representaciones profundas antes de realizar fine-tuning sobre datos experimentales escasos.
- Ciclo Semi-Supervisado Cerrado: Emplear las pseudo-etiquetas topológicas generadas por el Módulo 3 para entrenar un clasificador discriminativo rápido de topologías espectrales.
- Digitalización del Archivo Histórico UdeA: Completar la estandarización y calibración Doppler de los archivos históricos del Grupo de Estado Sólido para su inclusión en la base de datos abierta.
[1] D. Henao, J. Lopez, J. Tobon, and C. Barrero, "Implementation of an artificial neural network in the identification of the Mössbauer spectral shape of hematite and magnetite," Hyperfine Interactions, vol. 244, no. 11, 2023. https://doi.org/10.1007/s10751-023-01821-w
[2] C. Carey, T. Boucher, S. Mahadevan, P. Bartholomew, and M. D. Dyar, "Machine learning tools for mineral recognition and classification from Raman spectroscopy," Journal of Raman Spectroscopy, vol. 46, no. 10, pp. 894–903, 2015. https://doi.org/10.1002/jrs.4757
[3] J. Liu, M. Osadchy, L. Ashton, M. Foster, C. J. Solomon, and S. J. Gibson, "One-Dimensional Deep Convolutional Neural Network for Mineral Classification from Raman Spectroscopy," Neural Processing Letters, 2021. https://doi.org/10.1007/s11063-021-10652-1
[4] R. L. Mössbauer, "Kernresonanzfluoreszenz von Gammastrahlung in Ir191," Zeitschrift für Physik, vol. 151, pp. 124–143, 1958.
[5] N. N. Greenwood and T. C. Gibb, Mössbauer Spectroscopy. London: Chapman and Hall, 1971.
[6] P. Gütlich, E. Bill, and A. X. Trautwein, Mössbauer Spectroscopy and Transition Metal Chemistry: Fundamentals and Applications. Berlin/Heidelberg: Springer, 2011. https://doi.org/10.1007/978-3-540-88428-6
[7] M. D. Dyar, "Mössbauer dataset," DEVAS Database, Mount Holyoke College, 2022. http://nemo.mtholyoke.edu/explorer?ds_kind=Mossbauer&ds_name=MHC%20Mossbauer
[8] F. D. Saccone, "PyMossFit: A Google Colab Option for Mössbauer Spectra Fitting," Spectroscopy Journal, vol. 3, no. 4, p. 29, 2025. https://doi.org/10.3390/spectroscj3040029