Un destacado equipo de investigación interdisciplinario en la Universidad de Waterloo ha logrado avances significativos en la identificación de microplásticos mediante la aplicación de inteligencia artificial (IA). Estos diminutos fragmentos de plástico, omnipresentes en alimentos y medio ambiente, son conocidos por su capacidad para causar daños ambientales y representar amenazas para la salud humana. La capacidad de identificar eficientemente estos microplásticos es crucial para abordar estos problemas.

El equipo, liderado por el Dr. Wayne Parker del Departamento de Ingeniería Civil y Ambiental de Waterloo, se propuso desarrollar un sistema avanzado de identificación por imágenes para acelerar y mejorar la precisión del proceso. Su investigación, titulada «Aprovechamiento del aprendizaje profundo para el reconocimiento automático de microplásticos (MP) mediante imágenes micro-FT-IR de matriz de plano focal (FPA)», se publicó en Environmental Pollution.

El método empleado por el equipo involucra espectroscopia avanzada, exponiendo partículas a diversas longitudes de onda de luz. Cada tipo de plástico emite señales únicas en respuesta a esta exposición, creando «huellas dactilares» que pueden utilizarse para diferenciar microplásticos de otras sustancias. Sin embargo, la diversidad de microplásticos, influenciada por aditivos de fabricación y rellenos, presenta desafíos en la identificación precisa, ya que estas características a menudo pueden borrar las «huellas dactilares» en laboratorio.

La solución propuesta por el equipo implica la integración de inteligencia artificial en el proceso de identificación. El Dr. Parker se asoció con el Dr. Alexander Wong, un experto en inteligencia artificial del Departamento de Ingeniería de Diseño de Sistemas de Waterloo. Juntos, desarrollaron una herramienta de inteligencia artificial denominada PlasticNet. Esta herramienta utiliza redes neuronales de aprendizaje profundo, entrenadas con datos de fuentes bibliográficas y con imágenes generadas internamente para comprender la variada composición de los microplásticos. PlasticNet supera las limitaciones de los métodos tradicionales al identificar microplásticos con una velocidad un 50% más rápida y una precisión un 20% mayor.

El proceso implica exponer las partículas a la luz y analizar las señales espectroscópicas generadas. La red neuronal de PlasticNet ha sido entrenada para reconocer patrones y diferencias en estas señales de manera rápida y precisa, independientemente de las posibles interferencias causadas por la variabilidad en las «huellas dactilares.»

Frank Zhu, estudiante de doctorado bajo la supervisión del Dr. Parker, realizó pruebas exitosas del sistema utilizando microplásticos aislados de una planta de tratamiento de aguas residuales local. Los resultados indicaron que PlasticNet puede identificar microplásticos con una velocidad y precisión sin precedentes.

Este avance tiene implicaciones significativas para las plantas de tratamiento de aguas residuales y la industria alimentaria, ya que la información proporcionada por PlasticNet puede empoderar a estas entidades para implementar medidas efectivas de control y eliminación de microplásticos.

A pesar de los éxitos iniciales, el equipo reconoce la necesidad de continuos aprendizajes y pruebas para mejorar las capacidades de PlasticNet. Planean alimentar el sistema con más datos para aumentar su calidad de identificación y aplicarlo en diversas situaciones.

El equipo de investigación de la Universidad de Waterloo ha demostrado cómo la inteligencia artificial puede revolucionar la identificación de microplásticos, ofreciendo una herramienta eficiente y precisa para abordar los desafíos ambientales asociados con estos contaminantes.