Maestría en Ciencias e Ingeniería de Materiales
URI permanente para esta colecciónhttps://hdl.handle.net/11191/6737
Examinar
1 resultados
Ítems en la colección
- Polarimetría circular por medio de trampas paramagnéticas de Ga(II) en GaAsN: un acercamiento a través de Machine Learning(Universidad Autónoma Metropolitana (México). Unidad Azcapotzalco. Coordinación de Servicios de Información., 2022) Aguirre Pérez, AlexanderEstudios teóricos y experimentales [5, 19, 34, 56] han mostrado que el arseniuro de galio dopado con nitrógeno (GaAsN) es un buen material para ser empleado en dispositivos espintrónicos, ya que posee centros paramagnéticos de Ga(II) que son responsables de la recombinación dependiente del espín. La excitación de electrones en el GaAsN se da bajo reglas de selección particulares. Así, distintas condiciones de polarización de luz incidente provocan cambios en la conductividad eléctrica del GaAsN, permitiendo transducir el grado de polarización de la luz incidente en una señal eléctrica. Sin embargo, la deconvolución de la señal eléctrica para determinar el grado de polarización, la potencia, y el ángulo de incidencia de la luz, es un problema que no está resuelto. El presente proyecto propone el uso de dos sistemas de Machine Learning (ML): un perceptrón y una red neuronal, que permiten determinar el tipo de polarización de un haz de luz incidente sobre una muestra de GaAsN, a partir de datos de la fotoconductividad mediada por centros paramagnéticos en GaAsN. Con base en mediciones de intensidad fotoluminiscente (PL, por sus siglas en inglés) de GaAsN, como función de un campo magnético externo, se diseñó un algoritmo que permitió construir diversas bases de datos experimentales (a diferentes valores del campo magnético). Junto con datos teóricos, estas fueron empleadas para entrenar y probar los sistemas de ML, bajo diferentes configuraciones. Se presentan los distintos resultados obtenidos, de los cuales, destaca la distinción entre polarización circular izquierda y derecha (asociados a diferentes valores de intensidad PL) realizada por el perceptrón, con una precisión del 91%. Por otro lado, la red neuronal consiguió una precisión de hasta el 88.31%, la cual, logra distinguir entre polarización circular izquierda, derecha y lineal. Estos modelos pueden enfocarse a mejorar técnicas de calibración y diseño de polarímetros. Asimismo, contribuyen al estudio de herramientas basadas en estadística, que ayudan al desarrollo de tecnologías más eficientes y de menor costo.