Este Trabajo de Fin de Grado aborda el diseño de metamateriales electromagnéticos quirales mediante aprendizaje profundo. Estos metamateriales, con propiedades no disponibles en materiales naturales, presentan un espacio de diseño cuya exploración mediante simulaciones convencionales resulta computacionalmente costosa. Se desarrollan modelos basados en redes neuronales para resolver dos problemas: el directo (predecir respuestas electromagnéticas) y el inverso (determinar parámetros para respuestas deseadas). El modelo directo alcanza alta precisión (R² >0.97) reduciendo el tiempo de cálculo a milisegundos. El modelo inverso propone configuraciones viables para espectros objetivo específicos. Complementariamente, se implementa una interfaz gráfica que permite la exploración interactiva del espacio de diseño, contribuyendo a acelerar el ciclo de diseño y facilitando la síntesis bajo demanda de estructuras con propiedades específicas.
This Final Degree Project addresses the design of chiral electromagnetic metamaterials using deep learning. These metamaterials, with properties unavailable in natural materials, present a design space whose exploration through conventional simulations is computationally expensive. Neural network models are developed to solve two problems: the forward problem (predicting electromagnetic responses) and the inverse problem (determining parameters for desired responses). The forward model achieves high accuracy (R² >0.97) reducing calculation time to milliseconds. The inverse model proposes viable configurations for specific target spectra. Additionally, a graphical interface is implemented allowing interactive exploration of the design space, contributing to accelerate the design cycle and facilitating the on-demand synthesis of structures with specific properties.
