Predicción de propiedades ópticas no-lineales a partir de la DFT y el Machine Learning

Abstract

El diseño de las condiciones experimentales requiere considerar diversos parámetros relacionados con el campo de interés. Los cálculos a primeros principios o ab-initio suelen ser computacionalmente costosos, aumentando exponencialmente conforme incrementa el número de átomos, variables de cálculo y precisión de los resultados. Por este motivo, mediante el uso del Machine Learning y de las propiedades estructurales, electrónicas y ópticas de un líquido iónico de referencia, se propusieron tres modelos que permiten determinar la energía de interacción en función de la distancia en que interactúan sus iones constituyentes. Los resultados obtenidos, se pudo comprobar que los modelos basados en regresiones polinómicas son efectivos para predecir de manera coherentemente la propiedad bajo estudio, pero a un menor costo computacional.