IMDEA Materiales y el Laboratorio Lawrence Berkeley crean un algoritmo que mide las diferencias entre máquinas idénticas y corrige errores.

En la imagen el investigador del IMDEA, Miguel Hernández del Valle

Tres impresoras 3D idénticas, tres comportamientos distintos: la IA de Getafe que aprende la "personalidad" de cada máquina

Alcalá de Henares, 29 de agosto de 2026

Compre tres impresoras 3D de la misma marca, el mismo modelo y con números de serie casi consecutivos. Ninguna imprimirá exactamente igual que las otras. Un equipo del Instituto IMDEA Materiales, en Getafe, ha construido un algoritmo que mide esas diferencias y decide cómo corregirlas.

El sistema no aplica una receta única a toda la flota: primero hace un diagnóstico de cada máquina y después decide si conviene optimizarlas en bloque o una por una.
En el ensayo con tres impresoras teóricamente iguales, los datos se decantaron con claridad por la opción individual: cada aparato funcionaba en un régimen propio.
El trabajo se publicó en julio en la revista Advanced Engineering Informatics. La Comunidad de Madrid lo ha difundido este 29 de agosto.

El problema: la fábrica que no se repite a sí misma

Hay un supuesto que sostiene buena parte de la fabricación automatizada: que dos máquinas iguales producen resultados iguales. No es cierto, y a escala industrial esa mentira sale cara.

Cada equipo arrastra pequeñas desviaciones —de calibración, de desgaste, de montaje— que los ingenieros llaman ruido. En un laboratorio con una máquina, el ruido se absorbe. En una granja de impresión 3D con decenas de aparatos trabajando en paralelo, o en una línea de fabricación aditiva, esas desviaciones se acumulan y acaban produciendo piezas defectuosas.

El propio artículo científico lo plantea sin rodeos: la variabilidad entre dispositivos es manejable en un laboratorio pequeño, pero puede convertirse en un riesgo serio a gran escala, y menciona expresamente la impresión 3D aplicada a la arquitectura, donde el ruido puede traducirse en fallos estructurales o económicos. La industria aeroespacial es el otro sector citado.

Qué han hecho exactamente

Conviene desactivar un equívoco de partida: esto no es una inteligencia artificial del tipo que responde preguntas. Es un algoritmo de decisión consciente del ruido, construido con herramientas de estadística y aprendizaje automático.

Funciona en tres pasos:

Perfilado. El sistema somete a cada máquina a una evaluación diagnóstica y construye un perfil de ruido individual, es decir, una descripción estadística de cómo se desvía ese aparato en concreto.
Comparación. Aplica análisis de distribuciones, métricas de divergencia por pares y técnicas de agrupamiento para cuantificar cuánto se parecen entre sí las máquinas de la flota.
Decisión. Con ese resultado elige la estrategia: si los aparatos son suficientemente parecidos, una optimización bayesiana conjunta y robusta para toda la flota, que ahorra recursos; si las diferencias son significativas, una optimización individual para cada uno, que prioriza la precisión.

La novedad no está en optimizar la impresión, algo que ya hacen otras herramientas. Está en dar un paso antes: la mayoría de los sistemas de IA aplicados a fabricación asumen que las máquinas son intercambiables. Este mide primero si lo son.

El ensayo y su resultado

Para validarlo, el equipo trabajó con tres impresoras 3D de la misma marca, el mismo modelo y números de serie muy próximos, y midió el peso de los pellets impresos.

Cabía esperar un comportamiento casi idéntico. No lo hubo. Las estimaciones de densidad aparecieron claramente separadas y los valores de divergencia por pares fueron altos, lo que indicaba que cada impresora operaba en un régimen de producción distinto. El algoritmo identificó correctamente que cada una necesitaba su propia estrategia.

Los investigadores describen así el resultado: una convergencia significativamente más rápida y una reducción sustancial de los errores en el peso de las piezas frente a un enfoque que trataba a todas las máquinas por igual y, por tanto, no corregía los sesgos individuales de ninguna.

Aquí hay un matiz que conviene señalar. La nota de la Comunidad de Madrid presenta las dos ramas del algoritmo —conjunta o individual— como dos posibilidades equivalentes. En el caso práctico analizado no lo fueron: el propio IMDEA precisa que los análisis "se decantaron claramente" por la optimización individual. El sistema es capaz de elegir las dos, pero en el único ensayo publicado hasta ahora ganó una.

Quién firma el trabajo

El estudio lo lidera la doctora Christina Schenk, responsable del laboratorio ML4Materials del Instituto IMDEA Materiales, especializada en métodos bayesianos, cuantificación de incertidumbre y diseño óptimo de experimentos. Firman con ella Miguel Hernández del Valle y Luis Calero, investigadores del mismo centro, y el doctor Maciej Haranczyk, del grupo de Descubrimiento Acelerado de Materiales de IMDEA.

Por parte estadounidense participa el doctor Marcus Noack, científico de la División de Matemática Aplicada e Investigación Computacional del Laboratorio Nacional Lawrence Berkeley, adscrito al centro CAMERA. Noack es el desarrollador principal de gpCAM, una herramienta de código abierto de adquisición autónoma de datos basada en procesos gaussianos que se usa en instalaciones científicas de todo el mundo. Su aportación sitúa el trabajo en una tradición concreta: la de los laboratorios autónomos, en los que el algoritmo decide qué experimento hacer a continuación.

Quién lo financia

Un dato que la nota oficial omite y que conviene tener a la vista, porque describe mejor de quién es el hallazgo:

La parte española se financia con el proyecto MAD2D-CM sobre materiales disruptivos bidimensionales, sufragado por la Comunidad de Madrid, el Plan de Recuperación, Transformación y Resiliencia y los fondos NextGenerationEU de la Unión Europea.
La aportación de Noack la financia el Departamento de Energía de Estados Unidos a través de CAMERA, bajo el contrato DE-AC02-05CH11231.
Christina Schenk cuenta además con una ayuda Ramón y Cajal del Ministerio de Ciencia, Innovación y Universidades.

Es decir: fondos regionales, estatales, europeos y estadounidenses en un mismo artículo. La Comunidad de Madrid financia el instituto y el proyecto, pero la investigación es de IMDEA Materiales y del Laboratorio Nacional Lawrence Berkeley.

Por qué importa fuera del laboratorio

La aplicación inmediata es la fabricación aditiva a escala: granjas de impresión, prototipado industrial, producción de series cortas. Ahí el ahorro es doble, en piezas que no salen defectuosas y en experimentos que no hace falta repetir.

Pero la metodología no depende de que la máquina sea una impresora. Los autores señalan que sirve para cualquier campo que dependa de la experimentación de alto rendimiento, y citan tres: el descubrimiento de nuevos materiales, la síntesis química y la calibración de sensores. En todos ellos se trabaja con baterías de equipos en paralelo y en todos ellos se asume, por defecto, que los equipos son iguales.

Hay además una lectura menos evidente. Buena parte de la llamada crisis de reproducibilidad en ciencia experimental —resultados que no salen igual en otro laboratorio— tiene un componente instrumental que rara vez se mide. Este trabajo propone medirlo y, sobre todo, usarlo a favor en lugar de intentar borrarlo.

Lo que no se sabe

Qué impresoras se usaron. Ni la marca ni el modelo constan en la documentación pública difundida.
Cuánto se reduce el error. La reducción se describe como "sustancial", sin una cifra en la nota ni en el resumen del artículo.
Si hay industria detrás. No se ha anunciado ninguna implantación en una planta real ni ningún acuerdo de transferencia.
Cómo escala. El ensayo se hizo con tres máquinas. Una granja de impresión industrial puede tener decenas o cientos.

Dónde consultarlo

Artículo: Christina Schenk, Miguel Hernández-del-Valle, Luis Calero-Lumbreras, Marcus Noack y Maciej Haranczyk, «Noise-aware optimization in nominally identical manufacturing and measuring systems for high-throughput parallel workflows», Advanced Engineering Informatics (2026). DOI: 10.1016/j.aei.2026.104960. Publicado en ScienceDirect, con acceso restringido; hay una versión previa accesible en el repositorio SSRN.
Instituto IMDEA Materiales: calle Eric Kandel 2, Tecnogetafe, 28906 Getafe (Madrid). Teléfono 91 549 34 22.
Nota del instituto: publicada el 21 de julio de 2026 en materiales.imdea.org.

El siguiente paso natural es la validación con flotas grandes y en entorno industrial, que es donde el problema que describe el artículo se vuelve costoso de verdad. Ninguna de las dos instituciones ha anunciado plazos.

En paralelo, el trabajo se inserta en una línea que va a dar bastante de qué hablar: la de los laboratorios y fábricas autónomos, instalaciones en las que los algoritmos no solo analizan los datos, sino que deciden qué experimento o qué ajuste probar después. La pieza que aporta IMDEA a ese engranaje es modesta en apariencia y básica en la práctica: saber con qué máquina se está hablando.

FUENTES CONSULTADAS

Comunidad de Madrid, Dirección General de Medios de Comunicación, nota de prensa «La Comunidad de Madrid desarrolla una IA que analiza la personalidad de cada máquina para mejorar la fabricación automatizada», 29 de agosto de 2026.
Instituto IMDEA Materiales, nota «Investigadores de IMDEA Materiales desarrollan una IA capaz de analizar la 'personalidad' de cada máquina para mejorar la fabricación automatizada», 21 de julio de 2026, y ficha de la investigadora Christina Schenk en materiales.imdea.org.
Schenk, C.; Hernández-del-Valle, M.; Calero-Lumbreras, L.; Noack, M.; Haranczyk, M., «Noise-aware optimization in nominally identical manufacturing and measuring systems for high-throughput parallel workflows», Advanced Engineering Informatics (2026), DOI 10.1016/j.aei.2026.104960; resumen y versión previa en ScienceDirect y en el repositorio SSRN.
Lawrence Berkeley National Laboratory: página del proyecto gpCAM (gpcam.lbl.gov) y repositorio del código, sobre el trabajo de Marcus Noack en adquisición autónoma de datos y procesos gaussianos; material del centro CAMERA sobre experimentación autónoma.
Cobertura especializada previa: TechXplore (21 de julio de 2026), 3D Printing Industry, 3DPrint.com y VoxelMatters (julio de 2026), consultada para contrastar los detalles técnicos y de financiación del estudio.