Banca de QUALIFICAÇÃO: Cíntia Ellen Giarola

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : Cíntia Ellen Giarola
DATA : 22/08/2025
HORA: 14:00
LOCAL: on-line
TÍTULO:

Machine Learning Aplicada Na Síntese e Caracterização Óptica de Pontos Quânticos Ternários de Cu-In-S

PALAVRAS-CHAVES:

Fotoluminescência; Machine learning; Pontos Quânticos de CuInS₂. 

PÁGINAS: 27
RESUMO:

Pontos Quânticos (PQs) semicondutores ou nanocristais semicondutores, são matérias com tamanho entre 2 a 10 nm que apresentam suas propriedades ópticas ajustáveis a seu tamanho. Os PQs de CuInS₂ (CIS) surgiram como uma alternativa menos tóxica em relação a PQs que contém cádmio ou chumbo, por exemplo. O ajuste dos parâmetros de síntese desses nanomateriais é necessário para se obter um produto de qualidade óptica e cristalográfica. Técnicas de machine learning (ML) têm sido cada vez mais aplicadas para estimar parâmetros de síntese e otimizar propriedades, economizando recursos e tempo. Este trabalho propõe um modelo de ML para prever o comprimento de onda de emissão de PQs de CIS sintetizados por rota orgânica. Foi construída uma base de dados a partir da literatura científica, contendo parâmetros de síntese e propriedades resultantes. Utilizando o framework Pycaret, foram testados modelos de regressão. O modelo Extra Trees Regressor obteve o melhor desempenho (R² = 0,766 em teste). Apesar do overfitting observado nos resultados preliminares, estratégias como validação cruzada estratificada, ampliação dos dados para sínteses hot-injection e ajuste de hiperparâmetros são sugeridas para melhorar a generalização. O estudo evidencia o potencial do ML como aliado na síntese racional de nanomateriais

MEMBROS DA BANCA:
Presidente - 1217987 - ANDRE LUIZ MOTA
Externo à Instituição - FABIO BAUM