Resumen: Este artículo describe un enfoque novedoso para mejorar el rendimiento de sensores fotónicos basados en puntos de carbono mediante la ingeniería de superficie fractal junto con la calibración por aprendizaje automático. El objetivo principal es aumentar la sensibilidad y la selectividad de sensores de fluorescencia basados en puntos de carbono para la detección de trazas de iones pesados en soluciones acuosas. Los sensores convencionales presentan sensibilidad limitada y sensibilidad cruzada frente a iones interferentes; nuestra propuesta supera estas limitaciones maximizando el área superficial mediante geometría fractal y afinando la respuesta mediante modelos de aprendizaje automático.

Introducción: Los puntos de carbono han emergido como materiales prometedores para sensado fotónico por sus propiedades de fluorescencia ajustables, facilidad de síntesis y biocompatibilidad. No obstante, lograr alta sensibilidad y selectividad ante concentraciones muy bajas en matrices complejas es un reto. Presentamos una estrategia integrada que combina andamiajes fractales de TiO2 depositados sobre puntos de carbono y un modelo de regresión supervisada para calibrar y desambiguar señales, obteniendo incrementos de sensibilidad del orden de diez veces respecto a sensores CD convencionales y reduciendo significativamente la sensibilidad cruzada.

Fundamento teórico y metodología: La idea central reside en la intersección entre geometría fractal, mecanismos de apantallamiento de fluorescencia y aprendizaje automático. Las superficies fractales, con autosimilitud a múltiples escalas, multiplican la superficie disponible para la interacción con analitos. Iones pesados como Pb2+, Hg2+ y Cd2+ inducen apantallamiento de la fluorescencia por mecanismos estáticos y dinámicos. Aprovechamos el incremento de sitios de adsorción en estructuras fractales para intensificar el efecto de apantallamiento y empleamos modelos de regresión gaussianos para mapear patrones de atenuación de fluorescencia a concentraciones específicas.

Ingeniería de superficie fractal: Se desarrolla un método hidrotermal modificado para sintetizar puntos de carbono recubiertos por un andamiaje fractal de dióxido de titanio. La concentración del precursor de TiO2 y la temperatura de reacción se optimizan mediante un algoritmo de búsqueda aleatorizada para obtener una dimensión fractal Df entre 2.3 y 2.7, cuantificada por el método de box-counting. Esta morfología incrementa de manera drástica la relación área superficial/volumen, aumentando la probabilidad de captura de iones y, por tanto, la respuesta por apantallamiento de fluorescencia.

Fabricación del sensor y medidas ópticas: El material compuesto TiO2/CD se deposita en sustratos de vidrio por spin-coating para crear una capa sensible uniforme. Las mediciones ópticas se realizan con un espectrofluorímetro controlado, con excitación en 350 nm y registro de emisión entre 400 nm y 600 nm. Se controlan temperatura y pH y cada condición experimental se repite varias veces para robustez estadística.

Calibración por aprendizaje automático: Para compensar no linealidades y minimizar sensibilidad cruzada se entrena un modelo de Gaussian Process Regression con un conjunto de datos obtenido experimentalmente. El dataset incluye medidas de intensidad de fluorescencia frente a concentraciones de analitos objetivo y especies control como Na+, K+ y Ca2+. El modelo aprende la relación compleja entre patrón espectral y concentración, proporcionando predicciones con incertidumbre asociada y mejorando la discriminación entre iones parecidos.

Diseño experimental y adquisición de datos: Se analizaron tres metales pesados como analitos objetivo: plomo Pb2+, mercurio Hg2+ y cadmio Cd2+, en un rango típico de calibración de 10e-8 M a 10e-4 M. El diseño experimental fue multifactorial y aleatorizado, variando parámetros de síntesis de los CD y características del andamiaje fractal. Cada serie de pruebas incluyó controles y repetibilidad para entrenar y validar el modelo ML.

Resultados y análisis: La optimización indicó una dimensión fractal óptima Df aproximada de 2.5, asociada a la mayor sensibilidad. Se observó una relación de tipo ley de potencia entre sensibilidad y Df, sugiriendo que sensibilidad proporcional a Df elevado a 1.7. El modelo GPR alcanzó un error cuadrático medio en validación cruzada muy bajo y un coeficiente de determinación elevado, mostrando capacidad predictiva para concentraciones en el rango de interés. La combinación fractal + ML mostró una mejora aproximada de diez veces en LOD respecto a sensores CD sin modificación y redujo de forma significativa la sensibilidad cruzada entre iones.

Comparativa y viabilidad comercial: Además de la mejora técnica, la tecnología es escalable. A corto plazo se propone optimizar procesos para fabricación en masa y empaquetado en dispositivos portátiles para monitorización ambiental. A medio plazo se plantea integrar el sensor en plataformas microfluídicas para cribado de alto rendimiento en plantas de tratamiento. A largo plazo se explora la posibilidad de integración en dispositivos biomédicos para monitorización en tiempo real de toxicidad por metales. El potencial de mercado se estima en miles de millones anuales, especialmente si se combina con soluciones de software a medida y servicios de datos avanzados.

Matemáticas y modelo: La dimensión fractal se evalúa mediante box-counting, contando N(e) cajas de tamaño e necesarias para cubrir la superficie y calculando Df en el límite de e tendiendo a cero. El modelo de regresión gaussiana asume que la intensidad observada y(x) es y(x) = f(x) + e, donde f(x) obedece a un proceso gaussiano con función media y kernel de covarianza, y e representa ruido gaussiano. Esta formulación permite tanto predicción puntual como estimación de incertidumbre.

Aplicaciones y servicios asociados: En Q2BSTUDIO como empresa de desarrollo de software y aplicaciones a medida complementamos la propuesta técnica con soluciones de integración de datos, interfaces de usuario y despliegue en la nube. Ofrecemos desarrollo de software a medida para instrumentación y captura de señales, integración con servicios cloud y pipelines de datos para alimentar modelos de inteligencia artificial. También desplegamos modelos ML en entornos productivos y desarrollamos paneles de control con Power BI dentro de servicios de inteligencia de negocio para visualización y toma de decisiones.

Servicios complementarios: Q2BSTUDIO cubre un espectro completo que incluye inteligencia artificial aplicada y desarrollo de agentes IA, ciberseguridad y pentesting para proteger infraestructuras de sensado, y servicios cloud AWS y Azure para escalado y gestión de datos en tiempo real. Estas capacidades permiten transformar sensores avanzados en soluciones comerciales robustas y seguras, listas para integración en entornos industriales y sanitarios.

Conclusión: La sinergia entre ingeniería de superficie fractal y calibración por aprendizaje automático ofrece un salto cualitativo en rendimiento para sensores fotónicos basados en puntos de carbono, mejorando sensibilidad, selectividad y estabilidad. Combinado con desarrollo de software a medida, despliegue en nube y prácticas de ciberseguridad, este enfoque abre la puerta a aplicaciones reales en monitorización ambiental, tratamiento de aguas e incluso monitorización clínica. Si desea explorar cómo integrar esta tecnología con soluciones de IA para empresas y despliegue a escala, en Q2BSTUDIO proporcionamos consultoría y desarrollo especializado en IA para empresas mediante servicios de diseño, implementación y mantenimiento de modelos y sistemas.