Predicción de la temperatura crítica de superconductores mediante técnicas de Machine Learning. Redes neuronales y algoritmos genéticos

Abstract

[ES] En este trabajo se desarrolla un modelo de regresión para predecir la temperatura crítica de materiales superconductores a partir de su fórmula empírica, utilizando técnicas de Machine Learning (ML). Los superconductores son materiales que por debajo de una temperatura crítica tienen resistividad eléctrica nula. Los modelos basados en redes neuronales desarrollados se entrenan utilizando una base de datos con 21263 muestras de superconductores y 81 predictores, además de la temperatura crítica. En primer lugar, se reduce el número de predictores a 52 eliminando aquellos con coeficiente de correlación R > 0.9 respecto a otro predictor. A continuación, el uso de algoritmos genéticos para selección de los predictores de una red neuronal FFN permite reducir el número de predictores a 35, proporcionando intuición física sobre qué variables influyen en la temperatura crítica y cuáles no, además de simplificar el modelo. Finalmente, se utilizan algoritmos genéticos similares para optimizar los parámetros de la red neuronal FFN con 35 predictores, obteniéndose un modelo con indicadores de eficiencia promedio RMSE = 11.66 K (Root Mean Squared Error) y R^2 = 0.8849 (coeficiente de determinación).

[EN] In this academic work, a regression model is developed to predict the critical temperature of superconducting materials from their empirical formula, using Machine Learning (ML) techniques. Superconductors are materials that below a critical temperature have zero electrical resistivity. The neural network-based models developed are trained using a database with 21263 superconductor samples and 81 predictors, in addition to the critical temperature. First, the number of predictors is reduced to 52 by eliminating those with correlation coefficient R > 0.9 with respect to another predictor. Next, the use of genetic algorithms to select the predictors of an FFN neural network reduces the number of predictors to 35, providing physical intuition about which variables influence the critical temperature and which do not, as well as simplifying the model. Finally, similar genetic algorithms are used to optimise the parameters of the FFN neural network with 35 predictors, obtaining a model with average efficiency indicators RMSE = 11.66 K (Root Mean Squared Error) and R^2 = 0.8849 (coefficient of determination).