{rfName}
A

Indexado en

Licencia y uso

Icono OpenAccess

Altmetrics

Investigadores/as Institucionales

Herrero-Martin, PilarAutor o Coautor

Compartir

17 de diciembre de 2025
Publicaciones
>
Artículo
Sí

A Deep Reinforcement Learning-Enhanced Multi-Agent System for Ontology-Based Health Management in Nanotechnology

Publicado en: Electronics. 14 (23): 4580- - 2025-11-22 14(23), DOI: 10.3390/electronics14234580

Autores:

Mequanenit, Azanu Mirolgn; Nibret, Eyerusalem Alebachew; Herrero-Martin, Pilar; Martinez-Bejar, Rodrigo
[+]

Afiliaciones

Univ Gondar, Dept Informat Technol, POB 196, Gondar, Ethiopia - Autor o Coautor
Univ Murcia, Dept Comp Sci, Murcia 30100, Spain - Autor o Coautor
Univ Politecn Madrid, Escuela Tecn Super Ingn Informat, Madrid 28040, Spain - Autor o Coautor
Ver más

Resumen

This study provides a novel approach to the field of prognostics and health management (PHM) in nanotechnology: multi-agent systems integrated with ontology-based knowledge representation and Deep Reinforcement Learning (DRL). This framework has agents acting in a network-like manner, where every agent investigates a particular subject of nanotechnology design and lifecycle management for an interdependent and multifaceted problem-solving approach. Ontologies give the framework a semantic dimension, which allows for the precise and context-dependent interpretation of data. These permit observations attuned towards understanding the behaviors of nanomaterials, performance limitations, and failure mechanisms. On the other hand, having a DRL-integrated module permits agents to provide dynamic adaptation to changing operational contexts, datasets, and user scenarios while continuously calibrating their decisions for better accuracy and efficiency. Preliminary evaluations based on expert-reviewed test cases demonstrated a 95% task success rate and a decision-making accuracy of 96%, indicating the system's strong potential in handling complex nanotechnology scenarios. These results show good robustness and adaptability to certain PHM problems, such as predictive maintenance of nanodevices, lifespan optimization of nanomaterials, and risk assessment in complex environments. This study introduces a novel integration of Multi-Agent Systems (MAS), ontology-driven reasoning, and DRL, enabling dynamic cross-ontology collaboration and online learning capabilities. These features allow the system to adapt to evolving user needs and heterogeneous knowledge domains in nanotechnology.
[+]

Palabras clave

Agent collaborationBehavioral researchComplex networksCross-agent collaborationDecision makingDeep learningDeep reinforcement learningFailure (mechanical)Intelligent agentsLearning systemsLife cycleMulti agent systemsMulti-agent systemsMultiagent systems (mass)Nanomaterial designNanoparticle ontologyNanoparticle ontology (npo)NanoparticlesNanostructured materialsOnline systemsOntologyOntology'sOntology-basedProblem solvingPrognosticPrognostic and health managementPrognosticsReinforcement learningsSemantics

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Electronics debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición 174/368, consiguiendo con ello situarse como revista Q2 (Segundo Cuartil), en la categoría Engineering, Electrical & Electronic. Destacable, igualmente, el hecho de que la Revista está posicionada en el Cuartil Q2 para la agencia Scopus (SJR) en la categoría Electrical and Electronic Engineering.

[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-26:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 10.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 8 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 1.

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/95144/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 19
  • Descargas: 4
[+]

Análisis de liderazgo de los autores institucionales

Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: Ethiopia.

[+]

Objetivos del proyecto

La aportación persigue los siguientes objetivos: analizar la integración de sistemas multiagente con representación ontológica para la gestión de salud en nanotenología; evaluar el uso de Deep Reinforcement Learning para la adaptación dinámica a contextos operativos cambiantes; caracterizar el comportamiento, limitaciones y mecanismos de fallo de nanomateriales mediante observaciones semánticas; determinar la eficacia del sistema en tareas complejas mediante evaluaciones preliminares con una tasa de éxito del 95% y precisión del 96%; optimizar el mantenimiento predictivo y la vida útil de nanodispositivos; y facilitar la colaboración dinámica entre ontologías y el aprendizaje en línea para responder a necesidades heterogéneas en nanotenología.
[+]

Resultados más relevantes

El estudio presenta un sistema innovador que integra Multi-Agent Systems, representación ontológica y Deep Reinforcement Learning para la gestión de salud en nanotenología. Los resultados más relevantes incluyen: un 95% de tasa de éxito en tareas durante evaluaciones preliminares; una precisión del 96% en la toma de decisiones; demostración de robustez y adaptabilidad en problemas de mantenimiento predictivo, optimización de vida útil y evaluación de riesgos; incorporación de razonamiento ontológico para interpretación semántica precisa; y capacidad de aprendizaje en línea y colaboración dinámica entre ontologías para adaptarse a contextos y dominios heterogéneos.
[+]