Catálogo de publicaciones

Hemos producido muestras de Fe_xCu_100-x y Fe_xAu_100-x por molido mecánico en concentraciones variables con el objeto de estudiar el efecto magnetoresistivo gigante y su relación con la microestructura en aleaciones preparadas de esa manera. En el sistema Fe_xCu_100-x efectuamos un estudio del efecto magnetoresistivo gigante en un rango amplio de concentraciones (1 ≤ x ≤ 45 % atómico), ampliando lo conocido hasta ahora en muestras preparadas con los mismos fines. Hemos producido Fe_xAu_100-x por primera vez por aleamiento mecánico, en diversas concentraciones (15 ≤ x ≤ 30 % atómico). Medimos el efecto magnetoresistivo a 77 K para cada preparación, y encontramos que el efecto es máximo en x = 20 % para el Fe-Cu, y en x = 25 % para el Fe-Au. No encontramos efecto a temperatura ambiente. Estructuralmente encontramos en ambos sistemas que se forma una solución que tiene la estructura fcc de la matriz (Cu o Au). En el FeCu el parámetro de red aumenta con la concentración de Fe, mientras que en el Fe-Au disminuye. En ambos casos el parámetro de red es diferente a lo que indica la Ley de Vegard, mostrando que los efectos de repulsión química son importantes en estos sistemas. Magnéticamente ambos sistemas son del tipo “cluster-glass”, con una concentración de percolación Cp = 15,9 ± 3,2 % atómico en el caso del Fe-Cu, y Cp ≈ 25 % at. en el caso del Fe-Au. El sistema Fe-Cu aparece como una dispersión de racimos o clusters de tamaño ≈ 2 nm, de características estructurales y magnéticas similares para todas las concentraciones estudiadas. Los tratamientos térmicos producen una mejora en la relación magnetoresistiva ∆ρ/ρ, pero no en el efecto neto ∆ρ. En el Fe-Cu éste empeora, y en el Fe-Au se mantiene. Este tratamiento favorece, en el sistema Fe-Cu, la precipitación del α-Fe y el γ-Fe, además de la formación de carburos. En el sistema Fe-Au aparece un refinamiento en Fe de los clusters magnéticos, junto a la precipitación de una componente ferromagnética. Ambos sistemas están formados por partículas fuertemente interactuantes. El aleamiento mecánico es una técnica muy apropiada para la preparación de sistemas magnetoresistivos gigantes Fe-metal noble.

El campo de investigación de los sistemas nanoscópicos magnéticos ha despertado interés creciente en las últimas dos décadas. No son ajenas a este fenómeno las aplicaciones tecnológicas de los mismos en distintas áreas. En esta tesis hemos estudiado las propiedades magnéticas y, esencialmente, de magnetotransporte de dos tipos de sistemas bien diferenciados: multicapas de Fe/Cu con Cr y aleaciones granulares de Co en Ag. Aún cuando ambos tipos de sistemas están compuestos por metales nobles y metales de transición magnéticos, en el primer caso los metales están depositados en capas continuas y presentan magnetorresistencia inversa, mientras que en el otro forman aleaciones granulares cuyas características de transporte dependen de la presencia y valor del campo magnético aplicado durante el crecimiento. Para ambos tipos de sistemas hemos obtenido teóricamente la conductividad dentro del marco de la ecuación semiclásica de Boltzmann logrando una modelización adecuada que da cuenta de los resultados experimentales. Hemos puesto de manifiesto la importancia de las bandas electrónicas para explicar las particularidades experimentales de cada uno de los sistemas, tales como la evolución en función del campo magnético de la GMR cn las multicapas de Fe/Cu con Cr y la coalescencia de los gránulos de Co, puesta de manifiesto a través de las propiedades de magnetotransporte, en el segundo sistema. Para las aleaciones granulares de Co en Ag hemos mostrado experimentalmente, haciendo mediciones de magnetización, de resonancia ferromagnética y de transporte eléctrico, que el comportamiento de aleaciones homogéneas es distinto al de las aleaciones granulares crecidas en multicapas.

Los Sistemas de Recomendación han sido utilizados para generar recomendaciones a individuos en múltiples dominios, tales como: comercio electrónico, educación, películas, turismo, música. Sin embargo, en algunos de estos dominios el sujeto al cual se le realiza la recomendación no es un individuo sino un grupo de sujetos. Esto ha motivado el surgimiento de los Sistemas de Recomendación Grupales (SRG), los cuales conociendo quiénes son los miembros del grupo y sus perfiles de usuario (que contienen información relativa a sus intereses y otros datos relevantes) apuntan a generar recomendaciones que satisfagan al grupo como un todo. Los enfoques de SRG más extendidos hacen uso de técnicas de agregación (por ejemplo, el promedio o la minimización de miseria) para estimar las preferencias grupales, el perfil grupal, o para generar una recomendación grupal mediante la combinación de recomendaciones generadas para cada miembro del grupo. A pesar de que los enfoques tradicionales han sido (y son) utilizados en muchos dominios, las limitaciones de las técnicas de agregación hacen que, en muchos casos, las recomendaciones generadas no logren satisfacer a todos los miembros del grupo de forma uniforme. Adicionalmente, muchas de esas técnicas de agregación no permiten modelar aspectos vinculados a los procesos de toma de decisiones de los grupos ni a características de cada individuo, lo que reduce el nivel de personalización de la recomendación generada. Por otro lado, son pocos los SRG que proveen explicaciones para sus recomendaciones, algo que es importante si se busca maximizar las chances de que los grupos acepten las recomendaciones que recibieron. Teniendo en cuenta que, cuando un grupo de personas debe elegir un ítem, sus miembros generalmente discuten y analizan las opciones disponibles con el objetivo de alcanzar un consenso, la hipótesis de trabajo es que un enfoque de recomendación que aplique una estrategia similar puede generar recomendaciones potencialmente mejores que las de los enfoques utilizados tradicionalmente. En torno a esta idea, en esta tesis se propone MAGReS, un enfoque que hace uso de un Sistema Multiagente (SMA) para generar recomendaciones a grupos y proveer explicaciones. En MAGReS, cada miembro del grupo es representado por un agente inteligente (parte del SMA) que conoce sus intereses y se comporta de acuerdo a un conjunto de configuraciones elegidas por su usuario. Los agentes participan en un proceso de negociación cooperativo en el cuál deciden acerca de qué ítem debe recomendarse al grupo, y en base a información capturada durante dicho proceso se construyen explicaciones para las recomendaciones generadas.Las recomendaciones generadas por MAGReS fueron evaluadas en dos dominios: películas y puntos de interés (POI), con resultados satisfactorios. En las evaluaciones se comparó a MAGReS contra enfoques tradicionales y se encontró evidencia de que las recomendaciones generadas por MAGReS superan a las de dichos enfoques puesto que satisfacen a los miembros del grupo no sólo en mayor grado sino que también más uniformemente. Las explicaciones, por otro lado, fueron evaluadas a través de un experimento con usuarios reales. En base a las observaciones realizadas en dicho experimento fue posible confirmar que las explicaciones generadas por MAGReS, a pesar de ser simples, son de utilidad para los usuarios puesto que ayudan a que tengan en cuenta recomendaciones al grupo que de otra forma hubiesen ignorado.