O trabalho discorre sobre a modelagem da dinâmica de lasers semicondutores de pontos quânticos (LPQ), uma nova classe de dispositivos eletrônicos com possibilidade de aplicações em telecomunicações e na medicina. O uso de LPQs requer atualmente a utilização de modelos tradicionais de equações de taxa ou em modelos de descrição de microestados, ambos são complexos e com elevados custos computacionais. Para a modelagem proposta neste trabalho, foram utilizadas amostras experimentais da potência óptica de saída do laser no estado fundamental (Ground State — GS) e no estado excitado (Excited State — ES) para temperaturas de operação de 20ºC, 40 ºC e 50 ºC. Redes Neurais Artificiais (RNA) como o Perceptron de Múltiplas Camadas (Multilayer Perceptron — MLP), Máquina de Aprendizado Extremo (Extreme Learning Machine — ELM) e Redes com Estados do Eco (Echo State Network — ESN) foram utilizadas como modelos de predição. Foi investigada também a aplicação das RNAs em conjunto com o Modelo Não-Linear Autoregressivo com Entradas Exógenas (Nonlinear AutoRegressive models with eXogenous inputs — NARX), onde as RNAs se apresentam como alternativa na estimação da não linearidade do modelo. Os resultados revelaram excelente previsibilidade com erros da ordem de 3,79% e um baixo custo computacional quando comparado às técnicas tradicionais
The work deals with the modeling of the dynamics of quantum dots semiconductor lasers, a new class of electronic devices with the possibility of applications in telecommunications and medicine. The use of quantum dots semiconductor lasers currently requires the use of traditional models of rate equations or models of description of microstates, both are complex and with high computational costs. For the modeling proposed in this work, we used experimental samples of the laser output optical power in Ground State and Excited State at operating temperatures of 20ºC, 40ºC and 50ºC. Artificial Neural Networks (ANN) such as Multilayer Perceptron, Extreme Learning Machine and Echo State Networks were used as predictive models. It was also investigated the application of ANNs in conjunction with the Nonlinear AutoRegressive Models with eXogenous inputs (NARX), where the ANNs present themselves as an alternative in the estimation of the nonlinearity of the model. The results showed excellent predictability with errors of the order of 3.79% and a low computational cost when compared to traditional techniques
