Aprendizado de máquina para aumentar precisão em termômetros fotoluminescentes

Abstract

Termometria Óptica (TO) é, essencialmente, um campo da física que estuda a temperatura e seus parâmetros usando ferramentas do domínio da óptica, como lasers, por exemplo. De forma objetiva, a TO consiste em observar qualquer característica óptica (emissão, tempo de vida, polarização, etc) de uma amostra e sua relação com a temperatura. Na maioria dos trabalhos da literatura, o domínio de estudo da TO são nas regiões espectrais ultravioleta-visível-infravermelho, sem ir muito longe no espectro eletromagnético. Portanto, também chamamos esses estudos de “Termometria de Luminescência” ou “Termometria Luminescente”. Os métodos empregados na literatura para realizar o estudo da termometria óptica (ou luminescente) consiste em observar como a temperatura afeta as características espectroscópicas (largura de linha, deslocamento espectral, tempo de vida, etc.) da amostra. Com isso, é possível estudar a sensibilidade relativa e a resolução térmica (e outros parâmetros) para propor uma configuração em que se possa construir um termômetro óptico. As vantagens desse tipo de termômetro em relação aos termômetros convencionais são, principalmente, a resolução espacial na escala micro- e nanoscópica e a possibilidade de medir a temperatura em regiões mais profundas do que a superfície em tecidos biológicos, materiais orgânicos e inorgânicos. O estudo da TO possui diversos exemplos e aplicações demonstrados na literatura, no entanto, os métodos utilizados (que chamaremos de métodos convencionais) possuem um grau de incerteza considerável em diversos casos. Com isso, neste trabalho usamos uma técnica moderna bem estabelecida computacionalmente para fazer as análises dos dados – Machine Learning (ML). O Aprendizado de Máquina (Machine Learning) é uma técnica computacional de Inteligência Artificial que tem, dentre seus objetivos, a possibilidade de proporcionar à máquina (computador) o aprendizado de padrões ou não-padrões, a partir de um conjunto de dados de treino, para conseguir fazer previsões ou classificações. Nessa pesquisa, realizamos o estudo da termometria óptica usando microesferas de Nd3+:YAG e comparamos os resultados obtidos por métodos convencionais (razão de intensidade e regressão linear múltipla) e pelo aprendizado de máquina. Mostramos que usando o ML é possível reduzir a incerteza na previsão da temperatura na termometria óptica, quando comparado aos métodos convencionais. O algoritmo construído está disponível na seção de apêndices.