Uso de machine learning para predecir propiedades de nanopartículas de metales nobles
Date
2026-02
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Benemérita Universidad Autónoma de Puebla
Abstract
“En este trabajo se establece un modelo predictivo que emplea el radio de nanopartículas (NPs) esféricas de oro (Au), plata (Ag) y cobre (Cu) como variable independiente y la intensidad del modo dipolar de dichas NPs como variable a predecir, para esto se utilizó el software MiePlot para calcular los espectros teóricos de absorción, esparcimiento (dispersión) y extinción mediante la Teoría de Mie, con el propósito de identificar el máximo dipolar en función del radio de las NPs. Los resultados obtenidos se utilizaron para el entrenamiento, prueba y validación de modelos de aprendizaje supervisado. La regresión por vectores de soporte con kernel de función de base radial (SVR: Support Vector Regression (RBF: Radial Basis Function).) y k vecinos más cercanos (KNN: K-Nearest Neighbors) lograron un desempeño superior con respecto a la regresión lineal, alcanzando coeficientes de determinación superiores a 0.90 y errores absolutos medios bajos. El modelo SVR presentó mejores resultados específicamente para las NPs de Au, mientras que KNN tuvo mejores resultados para Ag y Cu. Con los resultados obtenidos se demuestra que el uso del (ML: Machine Learning) permite hacer predicciones de la intensidad del modo dipolar con un nivel de confiabilidad alto, siendo así una herramienta complementaria a la Teoría de Mie para el diseño y optimización de NPs plasmónicas en diferentes aplicaciones”.
Description
Keywords
Citation
Collections
Document Viewer
Select a file to preview:
Can't see the file? Try reloading