Resumen: Este trabajo presenta un marco novedoso para optimizar procesos de deposición de películas delgadas mediante Redes Neuronales Bayesianas Adaptativas ABNN. A diferencia de los enfoques tradicionales de control de procesos, las ABNN se adaptan dinámicamente en estructura e hiperparámetros a partir de datos de deposición en tiempo real, alcanzando un control preciso de grosor, uniformidad y composición. La metodología promete reducir el desperdicio de material, aumentar el rendimiento y mejorar la calidad de las películas para aplicaciones en microelectrónica, fotovoltaica y recubrimientos avanzados. Su adaptabilidad supera no linealidades e interacciones complejas en reactores de deposición, maximizando estabilidad y predictibilidad del proceso.

Introducción: desafíos y limitaciones actuales en deposición precisa. Las técnicas de deposición de precisión como ALD, CVD y PVD son esenciales en la manufactura moderna, pero su control se ve afectado por fluctuaciones en gases fuente, gradientes térmicos del sustrato, geometría del reactor y química compleja de precursores. Los lazos de control tradicionales mediante PID o modelos empíricos no capturan adecuadamente dinámicas no lineales, lo que deriva en inestabilidad del proceso, calidad inconsistente y pérdidas de material. Los enfoques de inteligencia artificial han mostrado potencial, pero muchas soluciones mantienen arquitecturas estáticas y carecen de adapción en tiempo real. Este estudio propone ABNNs para optimización adaptativa y en línea.

Metodología: arquitectura ABNN y aprendizaje estructural adaptativo. La ABNN combina la capacidad de representación de redes neuronales con la cuantificación de incertidumbre de métodos bayesianos. Incorpora un módulo de aprendizaje estructural que permite ajustar dinámicamente capas y conexiones en función de los datos entrantes. Entradas: datos de sensores en tiempo real como temperatura de sustrato, presión de cámara, caudales de gas, duración de pulsos de precursor, potencia RF y espectros de emisión óptica. Capas ocultas: número dinámico de capas densas con funciones de activación seleccionadas mediante optimización bayesiana. Salidas: predicción de grosor de película, uniformidad RMS y composición elemental. Para ajustar la estructura se emplea un agente de aprendizaje por refuerzo PPO que añade o elimina capas/neuronas con una función de recompensa que equilibra precisión de predicción y complejidad del modelo. La inferencia bayesiana mediante inferencia variacional proporciona intervalos creíbles y cuantificación de incertidumbre, permitiendo decisiones informadas y mitigación de riesgos cuando la incertidumbre es alta.

Diseño experimental y adquisición de datos. Se utilizó un sistema ALD comercial para depositar Al2O3 sobre silicio. Los experimentos siguieron un diseño estadístico Box-Behnken para explorar el espacio de parámetros, incluyendo temperatura de sustrato entre 200 y 350 grados centígrados, duración de pulsos de precursor entre 0.5 y 2 segundos y tiempos de purge entre 5 y 15 segundos. Sensores como termopares, manómetros, controladores de flujo másico, microbalanza de cuarzo QCM y espectroscopía de emisión óptica registraron datos en tiempo real. Cada ejecución fue seguida por caracterización mediante reflectometría de rayos X para determinar grosor, uniformidad y composición. El conjunto de datos acumulado llegó a miles de ejecuciones para robustez estadística.

Análisis de datos y resultados. El conjunto se dividió en entrenamiento, validación y prueba, y la ABNN ajustó su estructura y parámetros en función del error de validación. En predicción de grosor, la ABNN mostró una reducción significativa del error medio cuadrático comparada con modelos tradicionales, con intervalos de confianza que coincidieron con la dispersión experimental. El agente PPO convergió habitualmente a arquitecturas compactas y eficientes, con entre tres y cuatro capas activas durante ciclos de deposición. La cuantificación de incertidumbre resultó coherente con la variabilidad experimental, permitiendo identificar regiones del espacio de proceso donde el modelo requería más datos o intervención humana.

Escalabilidad e implementación práctica. A corto plazo se propone la integración de ABNN en sistemas ALD/CVD existentes mediante controladores industriales y computación en el borde para inferencia en tiempo real. A medio plazo se recomienda entrenamiento en la nube y una librería de modelos preentrenados para distintos materiales y condiciones, con posible adopción de aprendizaje federado para compartir conocimiento entre plantas preservando privacidad. A largo plazo la visión es desarrollar sistemas de deposición autónomos basados en ABNN y gemelos digitales que permitan simulación de escenarios y mantenimiento predictivo.

Aplicaciones y beneficios industriales. La adopción de ABNN en procesos de manufactura aporta reducción de desperdicio de materiales, mejora de rendimiento y mayor consistencia en la calidad de las películas delgadas. Esto resulta especialmente valioso en microelectrónica, fotovoltaica, recubrimientos funcionales y cualquier sector donde el control preciso del espesor y la composición sea crítico. La combinación de adaptabilidad en línea y estimación de incertidumbre facilita la operación en entornos cambiantes y el cumplimiento de especificaciones estrictas.

Sobre Q2BSTUDIO. Q2BSTUDIO es una empresa especializada en desarrollo de software y aplicaciones a medida, con experiencia en inteligencia artificial, ciberseguridad, servicios cloud aws y azure y soluciones de inteligencia de negocio. Nuestra oferta combina desarrollo de aplicaciones a medida con modelos de IA para empresas y agentes IA que automatizan decisiones complejas y mejoran procesos productivos. Implementamos soluciones de software a medida y desarrollo de aplicaciones a medida que permiten integrar control avanzado de procesos, visualización y analítica con herramientas como power bi para inteligencia de negocio.

Servicios complementarios. Además de diseño e integración de modelos ABNN, ofrecemos servicios de ciberseguridad y pentesting para proteger infraestructuras de control industrial, respaldados por buenas prácticas y auditorías técnicas. Para despliegues escalables facilitamos servicios cloud aws y azure y capacitamos equipos en explotación de datos y mantenimiento. Nuestra unidad de Business Intelligence y Power BI ayuda a transformar resultados experimentales en paneles accionables y cuadros de mando para toma de decisiones.

Conclusión. Las Redes Neuronales Bayesianas Adaptativas representan un avance prometedor para optimización de deposición precisa, combinando aprendizaje estructural adaptativo, cuantificación de incertidumbre y control en tiempo real. Q2BSTUDIO puede acompañar a empresas en la adopción de estas tecnologías, desde el prototipado hasta la implementación industrial, integrando soluciones de inteligencia artificial, software a medida, ciberseguridad y servicios cloud para lograr procesos más eficientes, seguros y sostenibles. Para explorar soluciones de IA para su organización visite nuestra sección de soluciones de inteligencia artificial y contacte con nuestros especialistas en automatización y desarrollo de software.

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.