Técnicas de aprendizaje profundo en la predicción del poder de frenado de iones en materiales

Bivort Haiek, Felipe

Registro:

Documento:	Tesis de Maestría
Título:	Técnicas de aprendizaje profundo en la predicción del poder de frenado de iones en materiales
Título alternativo:	Deep Learning Techniques towards the prediction of Stopping Power in materials
Autor:	Bivort Haiek, Felipe
Editor:	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
Fecha de defensa:	2025-09-12
Fecha en portada:	12 de Septiembre 2025
Grado Obtenido:	Maestría
Título Obtenido:	Magíster de la Universidad de Buenos Aires en el área de Explotación de Datos y Descubrimiento del Conocimiento
Departamento Docente:	Departamento de Computación
Director:	Mitnik, Darío Marcelo
Director Asistente:	Montanari, Claudia Carmen
Jurado:	Otero y Garzón, Gustavo Javier; Frank, Guillermo Alberto; Faraggi, Marisa Noemi
Idioma:	Español
Formato:	PDF
Handle:	https://hdl.handle.net/20.500.12110/tesis_n7818_BivortHaiek
PDF:	https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7818_BivortHaiek.pdf
Registro:	https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7818_BivortHaiek
Ubicación:	DMI 007818
Derechos de Acceso:	Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Bivort Haiek, Felipe. (2025). Técnicas de aprendizaje profundo en la predicción del poder de frenado de iones en materiales. (Tesis de Maestría. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7818_BivortHaiek

Resumen:

El estudio del poder de frenado (stopping power) de partículas cargadas al atravesar la materia es fundamental en múltiples áreas científicas y tecnológicas. Es esencial para comprender y modelar procesos de interacción ion-materia, con aplicaciones en campos como la terapia con iones, la modificación de materiales mediante bombardeo iónico y la simulación de transporte en entornos de altas energías. Sin embargo, calcular con precisión este parámetro representa un desafío considerable debido a la complejidad de los procesos de interacción entre iones y electrones, y a la escasez de datos experimentales sistematizados. La base de datos de poder de frenado de la Agencia Internacional de Energía Atómica (IAEA) constituye una fuente integral que recopila mediciones experimentales realizadas durante casi un siglo. No obstante, a pesar de su valor para la comunidad científica global, su estructura original presentaba diversos problemas, tales como formatos heterogéneos, duplicación de registros, carencia de metadatos normalizados y presencia de valores atípicos u obsoletos, que dificultaban su utilización. En este trabajo presentamos un enfoque sistemático para procesar, limpiar y aprovechar esta base de datos mediante técnicas de aprendizaje automático (Machine Learning). En primer lugar, se realizó un reformateo completo para garantizar su compatibilidad con herramientas analíticas contemporáneas. Posteriormente, se implementó un protocolo automatizado de limpieza de datos, basado en Autoencoders de Eliminación de Ruido (Denoising Autoencoders) y un método heurístico construido sobre DBSCAN, que permitió identificar y eliminar valores inconsistentes preservando la integridad de los datos experimentales. Con el conjunto de datos depurado, desarrollamos un modelo de red neuronal profunda denominado ESPNN (Electronic Stopping Power Neural Network), capaz de predecir con alta precisión los poderes de frenado electrónicos para cualquier combinación ion-blanco dentro de un amplio rango de energías. Al ser validado con datos de prueba reservados y conjuntos de validación temporal, ESPNN superó a los mejores modelos teóricos existentes, mostrando mejoras promedio superiores al 20 % en el error porcentual absoluto medio (MAPE). Además, ampliamos nuestra metodología para incluir blancos multielementales, desarrollando un enfoque original que incorpora representaciones vectoriales mediante la arquitectura de redes neuronales de paso de mensajes schnet (Message-Passing Neural Network). Esta extensión permitió obtener resultados igualmente prometedores. El código de inferencia de ESPNN y la base de datos procesada se encuentran disponibles públicamente, ofreciendo a la comunidad científica una herramienta moderna y precisa para la predicción del poder de frenado en materiales mono y multielementales

Abstract:

The study of the stopping power of charged particles in matter is fundamental in multiple scientific and technological fields. It is essential for understanding and modeling ion–matter interaction processes, with applications in areas such as ion therapy, materials modification by ion bombardment, and transport simulations in high-energy environments. However, accurately calculating this parameter poses a considerable challenge due to the complexity of ion–electron interaction processes and the scarcity of systematic experimental data. The stopping power database of the International Atomic Energy Agency (IAEA) constitutes a comprehensive source, compiling experimental measurements collected over nearly a century. Despite its value to the global scientific community, the original structure presented several issues, including heterogeneous formats, duplicated records, a lack of standardized metadata, and the presence of outliers or obsolete values, which hindered its practical use. In this work, we present a systematic approach to process, clean, and leverage this database using Machine Learning techniques. First, a complete reformatting was performed to ensure compatibility with contemporary analytical tools. Subsequently, an automated data-cleaning protocol was implemented, based on Denoising Autoencoders and a heuristic method built upon dbscan, which enabled the identification and removal of inconsistent values while preserving the integrity of the experimental data. Using the cleaned dataset, we developed a deep neural network model named ESPNN (Electronic Stopping Power Neural Network), capable of accurately predicting electronic stopping powers for any ion–target combination within a wide range of energies. When validated against held-out test data and temporal validation sets, ESPNN outperformed existing state-of-the-art theoretical models, achieving average improvements of over 20 % in the mean absolute percentage error (MAPE). Moreover, we extended our methodology to include multielement targets by developing an original approach that incorporates vector representations through the message-passing neural network architecture schnet. This extension yielded equally promising results. The inference code ESPNN and the processed database are publicly available, providing the scientific community with a modern and accurate tool for predicting stopping power in both mono- and multielemental materials.

Citación:

---------- APA ----------

Bivort Haiek, Felipe. (2025). Técnicas de aprendizaje profundo en la predicción del poder de frenado de iones en materiales. (Tesis de Maestría. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7818_BivortHaiek

---------- CHICAGO ----------

Bivort Haiek, Felipe. "Técnicas de aprendizaje profundo en la predicción del poder de frenado de iones en materiales". Tesis de Maestría, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2025.https://hdl.handle.net/20.500.12110/tesis_n7818_BivortHaiek

Estadísticas:

Descargas totales desde :

Navegar

Colección

Tesis de Maestría