Este estudio tuvo como objetivo presentar la metodología de diseño de disipadores de calor de microjets con espaciado desigual, utilizando una técnica de aprendizaje automático que alivia los puntos calientes en disipadores de calor con condiciones de flujo de calor no uniforme. Se utilizó muestreo de hipercubo latino para obtener 30 puntos de muestra de diseño en los que se calcularon soluciones tridimensionales de Dinámica de Fluidos Computacional (CFD), que se utilizaron para entrenar el modelo de aprendizaje automático. Se utilizó una Red Neural de Base Radial (RBNN) como modelo sustituto acoplado con Optimización de Enjambre de Partículas (PSO) para obtener la ubicación optimizada de los jets. La RBNN proporciona un espacio continuo para buscar los valores óptimos. En los valores óptimos predichos por el modelo acoplado, se calculó la solución de CFD para su comparación. El error porcentual para la función objetivo fue del 0,56%, mientras que para la función acompañante fue del 1,3%. El algoritmo acoplado tiene entradas variables a discreción del usuario, incluyendo la dispersión gaussiana, el número de partículas de búsqueda y el número de iteraciones. Se obtuvo la sensibilidad de cada variable. Se realizó un Análisis de Varianza (ANOVA) para investigar el efecto de la variable de entrada en la resistencia térmica. Los resultados de ANOVA revelaron que la dispersión gaussiana es la variable dominante que afecta la resistencia térmica.