Geração de imagens sintéticas com rede adversarial generativa baseada em sensor de ressonância de plasmon de superfície

A inteligência artificial, por meio de modelos generativos como as redes adversárias generativas (em inglês, Generative Adversarial Networks – GANs), tem sido aplicada para superar a escassez de dados em técnicas sensíveis como a ressonância de plásmons de superfície (em inglês, Surface Plasmon Resonance – SPR) para aplicações científicas, nas quais custos elevados e limitações experimentais são obstáculos frequentes. Dentre os modelos generativos investigados na literatura, as GANs vêm sendo amplamente adotadas para geração de imagens sintéticas realistas devido à sua capacidade de equilibrar qualidade de saída e custo computacional. Este trabalho emprega uma rede generativa adversarial convolucional profunda (Deep Convolutional Generative Adversarial Network – DCGAN) para gerar imagens SPR sintéticas realistas. O modelo foi treinado com banco de dados onsolidado da literatura, simulando sensores ópticos na configuração de Kretschmann com prisma polimérico para aplicações biológicas (PPBIO). A avaliação do modelo combinou métricas quantitativas e qualitativas para verificar a qualidade e a fidelidade das imagens sintéticas geradas. No aspecto quantitativo, foram consideradas as seguintes métricas: FWHM, largura total, energia normalizada, funções de perda do gerador e discriminador, maximum mean discrepancy (MMD), erro quadrático médio (MSE) e distância euclidiana. Para a avaliação qualitativa, foram utilizadas visualizações comparativas e projeções em espaço reduzido por meio do t-SNE e histogramas. A contribuição central deste trabalho tem dois aspectos: a demonstração da viabilidade de GANs para gerar imagens SPR com sensores ópticos na configuração PPBIO, e uma análise custo-benefício comparando dados sintéticos e reais na tarefa de identificação de substâncias via CNNs. A integração desses resultados representa uma inovação significativa para aplicações científicas dependentes de sistemas SPR, oferecendo uma solução que alia precisão técnica à viabilidade econômica.