Banca de DEFESA: Cíntia Ellen Giarola
Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.DISCENTE : Cíntia Ellen Giarola
DATA : 25/02/2026
HORA: 14:00
LOCAL: On-line
TÍTULO:
Aprendizado de Máquina Aplicado na Síntese e Caracterização Óptica de Pontos Quânticos Ternários de Cu-In-S
PALAVRAS-CHAVES:
Aprendizado de Máquina. Pontos Quânticos. CuInS₂. Regressão. Fotolumincescência. FWHM.
PÁGINAS: 82
RESUMO:
O presente trabalho desenvolve e valida modelos supervisionados de aprendizado de máquina para prever as propriedades ópticas, especificamente o comprimento de onda de emissão (PL) e a largura à meia altura do comprimento de onda de emissão (FWHM), de pontos quânticos (PQs) de CuInS₂ (CIS). A pesquisa estabelece uma ponte entre a síntese experimental e a ciência de dados ao extrair padrões de síntese que influenciam as propriedades ópticas e a composição desses materiais. Para isso, uma base de dados foi elaborada através da busca de artigos da literatura. Para superar a escassez de dados na literatura, especialmente para a rota de injeção a quente, foi adotado a estratégia de unificar as rotas de síntese em fase orgânica, hot-injection e one-pot, para viabilizar o treinamento dos algoritmos. Para a predição do comprimento de onda de emissão, o modelo Extra Trees Regressor demonstrou o melhor desempenho, identificando o tempo de reação, a temperatura e a razão molar Cu/In como os parâmetros mais influentes, corroborando dados presentes na literatura. A análise de interpretabilidade via valores SHAP valida o aprendizado da química do sistema, associando corretamente o deslocamento das bandas de emissão às variáveis sintéticas. Observa-se, contudo, que a generalização do modelo é sensível à baixa densidade de dados nas extremidades do espectro, levando à implementação de uma abordagem de domínio restrito, focada no intervalo de maior representatividade (percentis 5% a 95%), que se prova superior em aplicações práticas para o espectro visível. Paralelamente, a modelagem da FWHM obtém êxito com o algoritmo CatBoost Regressor, que demonstra robustez e estabilidade superiores na previsão da qualidade óptica do material. A validação experimental confirma que os modelos desenvolvidos são ferramentas que podem ser usados no planejamento de experimental, permitindo a triagem de condições para determinada região de emissão. O estudo conclui que a integração de aprendizado de máquina é eficaz para otimizar a síntese de PQs de CIS.
MEMBROS DA BANCA:
Presidente - 1443844 - MARCO ANTONIO SCHIAVON
Externo à Instituição - LUIZ HENRIQUE DE CAMPOS MERSCHMANN - UFLA
Externo à Instituição - FABIO BAUM - UNILA