Contemplando la importancia de estudiar las curvas corriente-voltaje en superconductividad, recientemente se ha argumentado con razón que su aproximación, en lugar de mediciones incesantes, parece ser una opción más viable. Esto se vuelve especialmente válido cuando este último necesita ser registrado para una amplia gama de parámetros críticos incluyendo temperatura y campo magnético, convirtiéndose así en un procedimiento tedioso y monótono. Las redes neuronales artificiales han sido recientemente propuestas como una metodología para aproximar estas llamadas mediciones eléctricas para varias geometrías de antidots en una película delgada superconductora. En este trabajo, demostramos que la precisión de la predicción, en términos de error cuadrático medio, lograda por las redes neuronales artificiales está bastante limitada y, debido a su inmenso crédito en los coeficientes de redes generadas aleatoriamente, pueden resultar en precisión de predicción muy variada para diferentes geometrías, condiciones experimentales y sus propios parámetros ajustables. Esta inconsistencia en las precisiones de predicción se resuelve controlando la incertidumbre en la inicialización de las redes y la generación de los coeficientes mediante un novedoso algoritmo genético basado en la entropía. El método propuesto ayuda a lograr una mejora sustancial y consistencia en la precisión de predicción de las curvas corriente-voltaje en comparación con los trabajos existentes, y es adaptable a varias geometrías de antidots, incluyendo rectangular, cuadrado, panal y kagome, en una película delgada superconductora.