Arzola Flores, Jesús AndrésSantamaría Juárez, Juana DeisyArzola Flores, Jesús Andrés; 0000-0001-9839-982XSantamaría Juárez, Juana Deisy; 0000-0003-0935-5468Vega Villegas, Orli2026-09-102026-09-102026-02https://hdl.handle.net/20.500.12371/33676“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”.pdfspaBIOLOGÍA Y QUÍMICAIngeniería (General)--Materiales de ingeniería y construcción--Materiales de composición o estructura especial--Materiales nanoestructuradosNanopartículas metálicas--PropiedadesPlasmones (Física)Materiales nanoestructurados--EspectrosAprendizaje automático (Inteligencia artificial)Tesis de licenciaturaopenAccess