Avaliação do potencial de modelos de aprendizagem de máquina na predição do índice de refração não linear em materiais vítreos

Vidros são materiais versáteis e com aplicação vasta em diversas áreas. Exemplos de uso incluem fibras ópticas, amplificadores, sensores, painéis solares, lasers, etc. Conhecer a relação que existe entre a composição vítrea de um material e suas propriedades ópticas é crucial para o desenvolvimento de novos materiais e avanços em fotônica. Nesse contexto, o aprendizado de máquina (ML, do inglês machine learning) tem se mostrado promissor em ciência dos materiais, pois permite que o computador identifique padrões complexos em um conjunto de dados e utilize esse conhecimento para resolver problemas. Este trabalho comparou cinco algoritmos de ML na predição do índice de refração não-linear (n2) de vidros. As amostras foram obtidas a partir de coleta manual da literatura e de trabalhos não publicados do Grupo de Fotônica do Instituto de Física de São Carlos. Os conjuntos de dados foram avaliados separadamente para vidros óxidos e calcogenetos devido às suas diferenças de dimensionalidade. As variáveis preditoras foram pré-processadas e os algoritmos de ML foram otimizados e avaliados em dois experimentos distintos para cada classe de vidro. No primeiro experimento, uma divisão treino-teste estratificada foi realizada, com validação cruzada leave-one-out (LOOCV) sendo utilizada no processo de ajuste de hiperparâmetros com o treino e a validação externa sendo avaliada no teste. No segundo experimento, validação cruzada aninhada foi utilizada para aferir os resultados do primeiro. Os hiperparâmetros de ambos os experimentos foram definidos usando otimização por GridSearch. Os resultados indicaram que o Random Forest Regressor (RF-R) e o Gradient Boosting Regressor (GB-R) são os mais indicados para a predição do n2 em virtude de sua estabilidade. O GB-R obteve o menor erro percentual absoluto médio (MAPE) com os vidros óxidos (28% ± 8%), enquanto o RF-R apresentou boa estabilidade com os vidros calcogenetos, com MAPE de 13% ± 3%. O MLPRegressor (MLP-R) e Support Vector Regression (SVR) apresentaram desempenho inconsistente e alta variabilidade por causa do número limitado de amostras disponíveis. O Linear Regression (LR) foi o que apresentou o pior desempenho preditivo em todos os experimentos. Tais achados confirmam a aplicabilidade de abordagens computacionais baseadas em ML como ferramentas para predizer o n2. No entanto, o tamanho reduzido do conjunto de dados utilizado nesse estudo é uma limitação da área que impacta a generalização e a robustez dos modelos desenvolvidos. Portanto, validação adicional é recomendada com conjuntos de dados maiores e mais diversificados.