Rayos X e inteligencia artificial revelan detalles perdidos en pinturas de Rafael

Un equipo de investigadores acaba de escanear dos obras de arte famosas del artista del Alto Renacimiento Rafael con rayos X, y luego utilizó inteligencia artificial para discernir la composición química y cromática de las obras de arte.

Las obras de arte en cuestión son Dios Padre y la Virgen María, dos paneles del ahora destruido Retablo de Baronci.

El retablo fue el primer encargo registrado de Rafael, completado en 1501, que representaba al Diablo, la Virgen María y la coronación de San Nicolás de Tolentino por Dios Padre (de ahí los títulos de los paneles, obvio).

Es difícil decir cómo el artista pudo hacer este trabajo mientras mantenía su trabajo secundario como tortuga que vive en las alcantarillas. Ese chiste era obligatorio.

En su reciente estudio el equipo de investigación tomó datos de fluorescencia de rayos X macro (MA-XRF) de los dos paneles y los introdujo en una red neuronal a la que se le enseñó un conjunto de datos sintéticos que representaban más de medio millón de espectros de 57 pigmentos y compuestos.

En otras palabras, enseñaron a un modelo de inteligencia artificial a examinar minuciosamente la gama de colores visibles y los compuestos químicos que los forman.

El modelo era una red neuronal, llamada así por su imitación de la capacidad del cerebro humano de recibir e interpretar información y luego tomar decisiones basadas en esa información.

Aplicada a los datos de rayos X de los paneles, la red neuronal identificó correctamente los elementos químicos aplicados por Rafael hace más de 500 años.

El blanco de las capas preparatorias del panel se identificó correctamente como a base de plomo, mientras que los tonos de piel de las figuras contenían bermellón rojo, un pigmento a base de mercurio.

Las cortinas verdes que rodeaban a Dios Padre eran a base de cobre.

Pero las cortinas también estaban asociadas químicamente con potasio, lo que indica que la pintura que las componía estaba hecha de un mineral como la azurita o un resinato de cobre mezclado con un pigmento de laca amarilla.

“Los escaneos MA-XRF también revelaron los motivos dorados de las dos pinturas sobre panel, parcialmente oscurecidos en la composición pictórica visible actual, y detectaron trabajos de restauración [que] ocurrieron con el tiempo involucrando pigmentos anacrónicos”, escribió el equipo en el artículo.

En otras palabras, la red neuronal pudo detectar el trabajo realizado para arreglar los Rafaeles más tarde en el tiempo, así como los motivos originales que no llegaron al corte final.

El retablo estuvo en una iglesia en Umbría durante tres siglos antes de que fuera severamente dañado en 1789 durante un terremoto, y los fragmentos sobrevivientes de la obra maestra se dividieron.

Los paneles intactos emprendieron una tumultuosa escapada a su origen, y fueron recogidos por el Papa Pío VI antes de ser confiscados por Napoleón y colocados en el Museo Napoleón (ahora el Louvre).

Dios Padre y la Virgen María fueron llevados a Nápoles, donde permanecen.

Puede leer la historia completa de los paneles del retablo en el sitio web de la Colección Frick.

Debido a que el equipo entrenó el modelo con datos sintéticos, efectivamente tenía una hoja de respuestas con la que probar el rendimiento del modelo.

El modelo funcionó mejor en áreas con problemas de deconvolución (una forma de cinco sílabas de decir que se separa la información real del ruido) en partes de los paneles donde el pintor del Alto Renacimiento usó múltiples pigmentos.

En esas áreas, el uso confuso de diferentes pigmentos y compuestos dificulta que los algoritmos deconvolucionales tradicionales analicen adecuadamente los elementos creados por MA-XRF.

Los autores afirmaron que el modelo “supera eficazmente las limitaciones y los artefactos comúnmente asociados con los métodos de análisis de deconvolución tradicionales”.

En el futuro, este tipo de trabajo podría orientar las estrategias de conservación de obras de arte invaluables, así como determinar detalles ocultos que son difíciles de detectar de otra manera.

La verdadera utilidad en muchos de estos casos es que los sistemas de inteligencia artificial pueden hacer un trabajo similar al de los expertos humanos, pero a un ritmo mucho más rápido. 

Fuente: Science Advances