Este artículo presenta una aproximación novedosa para la caracterización de nanomateriales mediante Conductive Atomic Force Microscopy C-AFM integrando Redes Bayesianas Dinámicas DBN para análisis y parametrización en tiempo real. Las técnicas convencionales de C-AFM suelen verse limitadas por ruido, deriva y representaciones incompletas de propiedades eléctricas complejas. Nuestra metodología supera estas limitaciones mediante DBN que modelan la evolución temporal de las señales de corriente y voltaje, mejorando la reducción de ruido, el suavizado de datos y la extracción precisa de parámetros clave como la conductancia y la barrera energética para tunneling electrónico.
La propuesta incluye adquisición de datos con un sistema C-AFM comercial, construcción y entrenamiento de la DBN, y extracción y validación de parámetros. Se describen nodos para Corriente I(t), Voltaje V(t), Distancia punta-muestra Z(t), Ruido N(t) y Conductancia G(t). La DBN modela dependencias temporales mediante una asunción de tipo Markov donde G(t) depende de G(t-1) y G(t-2). La probabilidad conjunta queda expresada como P I(t),V(t),Z(t),N(t),G(t) dado G(t-1),G(t-2) = P I(t) dado V(t),Z(t),G(t),N(t) por P V(t) por P Z(t) por P N(t) por P G(t) dado G(t-1),G(t-2). En la práctica se usa EM para estimar transiciones y parámetros, BIC para refinar la estructura y un filtro de Kalman para suavizar la trayectoria estimada de conductancia.
En el plan experimental se emplea un AFM Bruker Dimension Icon con punta conductora sobre materiales como grafeno, nanotubos de carbono y nanohilos metálicos. Se registran series temporales a 1 kHz y 1000 puntos por barrido. La validación compara la extracción de conductancia frente a técnicas convencionales usando un estándar conocido como nanohilo de oro, evaluando RMSE, SNR y eficiencia computacional con pruebas estadísticas t y ANOVA para demostrar significancia con alfa igual a 0.05.
La arquitectura computacional propuesta aprovecha hardware comercial con GPU para inferencia acelerada y entornos de desarrollo en Python y PyStan. El flujo optimizado permite análisis casi en tiempo real, con un ahorro esperado en selección de materiales y un incremento proyectado en rendimiento de dispositivos. Este enfoque es reproducible y escalable hacia soluciones industriales.
Q2BSTUDIO como empresa de desarrollo de software y aplicaciones a medida aporta valor diferenciador al integrar experiencia en software a medida, inteligencia artificial, ciberseguridad y servicios cloud aws y azure para proyectos de I D y despliegue industrial. Ofrecemos soluciones completas desde la instrumentación de datos hasta la entrega de modelos operativos y paneles de inteligencia con Power BI. Si su objetivo es aplicar IA para empresas, agentes IA o crear aplicaciones científicas personalizadas, en Q2BSTUDIO contamos con equipos especializados que desarrollan pipelines de datos, despliegues en la nube y estrategias de seguridad avanzadas. Conozca nuestros servicios de inteligencia artificial en Inteligencia artificial para empresas y solicite desarrollo de aplicaciones a medida en Desarrollo de aplicaciones y software multiplataforma.
Palabras clave aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi. Esta metodología aporta una herramienta robusta para la comunidad de materiales y electrónica, facilita la selección eficiente de nanomateriales y acelera la innovación en dispositivos nanoelectrónicos.
