Otimização da geometria de aglomerados de silício via redes neurais.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2002 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações do ITA |
Texto Completo: | http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2506 |
Resumo: | Avaliamos a aplicação de alguns métodos de otimização que não utilizam informação prévia e introduzimos novos métodos que a utilizam na solução de problemas de física atômica e molecular. Aplicamos esses métodos na determinação da geometria do estado fundamental de aglomerados de Silício. A energia total foi calculada pelo método semi-empírico Tight Binding, mas é facilmente adaptável a qualquer outro. Na discussão de métodos sem informação prévia fizemos uma comparação entre Recozimento Simulado Generalizado, RSG, que utiliza a estatística de Tsallis e o Recozimento Simulado Clássico, RSC, que utiliza estatística de Boltzmann. Mostramos que o RSG tem potencial para acelerar a determinação do mínimo global sem perder eficiência em relação ao RSC. Verificamos que em outros problemas de física, a inclusão de informação prévia, isto é, a experiência de pesquisadores permitiu a solução de problemas que desafiavam os cientistas. Decidimos, então, introduzir um novo procedimento de otimização global de geometrias de aglomerados baseado na utilização de informação prévia disponível que fosse automático, isto é, que aprendesse por si. Com esse objetivo, combinamos as Redes Neurais Artificiais com o Algoritmo Genético. Este método é adequado para resolver problemas que dependam de algum tipo de heurística para limitar o hiper-espaço a ser pesquisado. Mostramos que as Redes Neurais Artificiais são capazes de, após treinadas, aprender as características do problema. Mostramos que podem gerar uma população selecionada para o algoritmo genético e acelerar a descoberta da solução do problema de otimização. Aplicamos o novo método para determinar a geometria do estado fundamental de aglomerados de Silício. Treinamos as Redes Neurais Artificiais com aglomerados pequenos (de até 9 átomos) e estudamos o Si10 e Si20, conseguindo um resultados cerca de 3 vezes mais rápidos do que o genético puro. Um próximo passo será o acoplamento de nosso método com um procedimento mais preciso que a aproximação Tight-Binding , especificamente pretendemos usar o "Full-Potential Linear Muffin-Tin Orbital" de Li e Cao. Outro interesse futuro e explorar a otimização assistida por rede neural em problemas de outras áreas da física, como por exemplo a análise espectroscópica. |
id |
ITA_75a6b1bce9c1b7fa2f9377bc71bf98b0 |
---|---|
oai_identifier_str |
oai:agregador.ibict.br.BDTD_ITA:oai:ita.br:2506 |
network_acronym_str |
ITA |
network_name_str |
Biblioteca Digital de Teses e Dissertações do ITA |
spelling |
Otimização da geometria de aglomerados de silício via redes neurais.Aglomerados atômicosSilícioOtimizaçãoRedes neuraisAlgoritmos genéticosRecozimento simulado (Matemática)Física molecularFísica atômicaAvaliamos a aplicação de alguns métodos de otimização que não utilizam informação prévia e introduzimos novos métodos que a utilizam na solução de problemas de física atômica e molecular. Aplicamos esses métodos na determinação da geometria do estado fundamental de aglomerados de Silício. A energia total foi calculada pelo método semi-empírico Tight Binding, mas é facilmente adaptável a qualquer outro. Na discussão de métodos sem informação prévia fizemos uma comparação entre Recozimento Simulado Generalizado, RSG, que utiliza a estatística de Tsallis e o Recozimento Simulado Clássico, RSC, que utiliza estatística de Boltzmann. Mostramos que o RSG tem potencial para acelerar a determinação do mínimo global sem perder eficiência em relação ao RSC. Verificamos que em outros problemas de física, a inclusão de informação prévia, isto é, a experiência de pesquisadores permitiu a solução de problemas que desafiavam os cientistas. Decidimos, então, introduzir um novo procedimento de otimização global de geometrias de aglomerados baseado na utilização de informação prévia disponível que fosse automático, isto é, que aprendesse por si. Com esse objetivo, combinamos as Redes Neurais Artificiais com o Algoritmo Genético. Este método é adequado para resolver problemas que dependam de algum tipo de heurística para limitar o hiper-espaço a ser pesquisado. Mostramos que as Redes Neurais Artificiais são capazes de, após treinadas, aprender as características do problema. Mostramos que podem gerar uma população selecionada para o algoritmo genético e acelerar a descoberta da solução do problema de otimização. Aplicamos o novo método para determinar a geometria do estado fundamental de aglomerados de Silício. Treinamos as Redes Neurais Artificiais com aglomerados pequenos (de até 9 átomos) e estudamos o Si10 e Si20, conseguindo um resultados cerca de 3 vezes mais rápidos do que o genético puro. Um próximo passo será o acoplamento de nosso método com um procedimento mais preciso que a aproximação Tight-Binding , especificamente pretendemos usar o "Full-Potential Linear Muffin-Tin Orbital" de Li e Cao. Outro interesse futuro e explorar a otimização assistida por rede neural em problemas de outras áreas da física, como por exemplo a análise espectroscópica. Instituto Tecnológico de AeronáuticaArnaldo Dal Pino JúniorMaurício Ruv Lemes2002-00-00info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttp://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2506reponame:Biblioteca Digital de Teses e Dissertações do ITAinstname:Instituto Tecnológico de Aeronáuticainstacron:ITAporinfo:eu-repo/semantics/openAccessapplication/pdf2019-02-02T14:04:51Zoai:agregador.ibict.br.BDTD_ITA:oai:ita.br:2506http://oai.bdtd.ibict.br/requestopendoar:null2020-05-28 19:39:18.759Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáuticatrue |
dc.title.none.fl_str_mv |
Otimização da geometria de aglomerados de silício via redes neurais. |
title |
Otimização da geometria de aglomerados de silício via redes neurais. |
spellingShingle |
Otimização da geometria de aglomerados de silício via redes neurais. Maurício Ruv Lemes Aglomerados atômicos Silício Otimização Redes neurais Algoritmos genéticos Recozimento simulado (Matemática) Física molecular Física atômica |
title_short |
Otimização da geometria de aglomerados de silício via redes neurais. |
title_full |
Otimização da geometria de aglomerados de silício via redes neurais. |
title_fullStr |
Otimização da geometria de aglomerados de silício via redes neurais. |
title_full_unstemmed |
Otimização da geometria de aglomerados de silício via redes neurais. |
title_sort |
Otimização da geometria de aglomerados de silício via redes neurais. |
author |
Maurício Ruv Lemes |
author_facet |
Maurício Ruv Lemes |
author_role |
author |
dc.contributor.none.fl_str_mv |
Arnaldo Dal Pino Júnior |
dc.contributor.author.fl_str_mv |
Maurício Ruv Lemes |
dc.subject.por.fl_str_mv |
Aglomerados atômicos Silício Otimização Redes neurais Algoritmos genéticos Recozimento simulado (Matemática) Física molecular Física atômica |
topic |
Aglomerados atômicos Silício Otimização Redes neurais Algoritmos genéticos Recozimento simulado (Matemática) Física molecular Física atômica |
dc.description.none.fl_txt_mv |
Avaliamos a aplicação de alguns métodos de otimização que não utilizam informação prévia e introduzimos novos métodos que a utilizam na solução de problemas de física atômica e molecular. Aplicamos esses métodos na determinação da geometria do estado fundamental de aglomerados de Silício. A energia total foi calculada pelo método semi-empírico Tight Binding, mas é facilmente adaptável a qualquer outro. Na discussão de métodos sem informação prévia fizemos uma comparação entre Recozimento Simulado Generalizado, RSG, que utiliza a estatística de Tsallis e o Recozimento Simulado Clássico, RSC, que utiliza estatística de Boltzmann. Mostramos que o RSG tem potencial para acelerar a determinação do mínimo global sem perder eficiência em relação ao RSC. Verificamos que em outros problemas de física, a inclusão de informação prévia, isto é, a experiência de pesquisadores permitiu a solução de problemas que desafiavam os cientistas. Decidimos, então, introduzir um novo procedimento de otimização global de geometrias de aglomerados baseado na utilização de informação prévia disponível que fosse automático, isto é, que aprendesse por si. Com esse objetivo, combinamos as Redes Neurais Artificiais com o Algoritmo Genético. Este método é adequado para resolver problemas que dependam de algum tipo de heurística para limitar o hiper-espaço a ser pesquisado. Mostramos que as Redes Neurais Artificiais são capazes de, após treinadas, aprender as características do problema. Mostramos que podem gerar uma população selecionada para o algoritmo genético e acelerar a descoberta da solução do problema de otimização. Aplicamos o novo método para determinar a geometria do estado fundamental de aglomerados de Silício. Treinamos as Redes Neurais Artificiais com aglomerados pequenos (de até 9 átomos) e estudamos o Si10 e Si20, conseguindo um resultados cerca de 3 vezes mais rápidos do que o genético puro. Um próximo passo será o acoplamento de nosso método com um procedimento mais preciso que a aproximação Tight-Binding , especificamente pretendemos usar o "Full-Potential Linear Muffin-Tin Orbital" de Li e Cao. Outro interesse futuro e explorar a otimização assistida por rede neural em problemas de outras áreas da física, como por exemplo a análise espectroscópica. |
description |
Avaliamos a aplicação de alguns métodos de otimização que não utilizam informação prévia e introduzimos novos métodos que a utilizam na solução de problemas de física atômica e molecular. Aplicamos esses métodos na determinação da geometria do estado fundamental de aglomerados de Silício. A energia total foi calculada pelo método semi-empírico Tight Binding, mas é facilmente adaptável a qualquer outro. Na discussão de métodos sem informação prévia fizemos uma comparação entre Recozimento Simulado Generalizado, RSG, que utiliza a estatística de Tsallis e o Recozimento Simulado Clássico, RSC, que utiliza estatística de Boltzmann. Mostramos que o RSG tem potencial para acelerar a determinação do mínimo global sem perder eficiência em relação ao RSC. Verificamos que em outros problemas de física, a inclusão de informação prévia, isto é, a experiência de pesquisadores permitiu a solução de problemas que desafiavam os cientistas. Decidimos, então, introduzir um novo procedimento de otimização global de geometrias de aglomerados baseado na utilização de informação prévia disponível que fosse automático, isto é, que aprendesse por si. Com esse objetivo, combinamos as Redes Neurais Artificiais com o Algoritmo Genético. Este método é adequado para resolver problemas que dependam de algum tipo de heurística para limitar o hiper-espaço a ser pesquisado. Mostramos que as Redes Neurais Artificiais são capazes de, após treinadas, aprender as características do problema. Mostramos que podem gerar uma população selecionada para o algoritmo genético e acelerar a descoberta da solução do problema de otimização. Aplicamos o novo método para determinar a geometria do estado fundamental de aglomerados de Silício. Treinamos as Redes Neurais Artificiais com aglomerados pequenos (de até 9 átomos) e estudamos o Si10 e Si20, conseguindo um resultados cerca de 3 vezes mais rápidos do que o genético puro. Um próximo passo será o acoplamento de nosso método com um procedimento mais preciso que a aproximação Tight-Binding , especificamente pretendemos usar o "Full-Potential Linear Muffin-Tin Orbital" de Li e Cao. Outro interesse futuro e explorar a otimização assistida por rede neural em problemas de outras áreas da física, como por exemplo a análise espectroscópica. |
publishDate |
2002 |
dc.date.none.fl_str_mv |
2002-00-00 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/doctoralThesis |
status_str |
publishedVersion |
format |
doctoralThesis |
dc.identifier.uri.fl_str_mv |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2506 |
url |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=2506 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do ITA instname:Instituto Tecnológico de Aeronáutica instacron:ITA |
reponame_str |
Biblioteca Digital de Teses e Dissertações do ITA |
collection |
Biblioteca Digital de Teses e Dissertações do ITA |
instname_str |
Instituto Tecnológico de Aeronáutica |
instacron_str |
ITA |
institution |
ITA |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáutica |
repository.mail.fl_str_mv |
|
subject_por_txtF_mv |
Aglomerados atômicos Silício Otimização Redes neurais Algoritmos genéticos Recozimento simulado (Matemática) Física molecular Física atômica |
_version_ |
1706809286354534400 |