Redes neurais artificiais adaptativas: abordagem evolutiva para melhoria de performance e eficiência

• Autor(a) principal: Fonseca, Tales Lima
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/16591
• topic: CNPQ::ENGENHARIAS; Redes Neurais Artificiais; Função de ativação adaptativa; Otimização evolutiva; Pegada de carbono; Artificial neural networks; Adaptive activation function; Evolutionary optimization; Carbon footprint

Nos últimos anos, as redes neurais artificiais têm se destacado como uma das ferramentas mais poderosas no campo da inteligência artificial, oferecendo soluções inovadoras em uma variedade de aplicações. No entanto, o desenvolvimento dessas redes muitas vezes enfrenta desafios significativos relacionados à eficiência computacional e ao impacto ambiental. Esta pesquisa tem como objetivo investigar esses desafios, em particular no processo de criação de redes neurais artificiais, e propor uma solução para melhorar sua eficiência em termos de qualidade preditiva, restrições de hardware e redução dos impactos ambientais. Partindo da hipótese de que as funções de ativação adaptativas são capazes de criar neurônios mais complexos na arquitetura, reduzindo a necessidade de abordagens de aprendizado profundo que resultam em modelos mais pesados e complexos. O foco principal deste estudo é propor o desenvolvimento de uma estratégia evolutiva para a criação de redes neurais artificiais que utilizem funções de ativação adaptativas, com o objetivo de encontrar modelos com maior poder preditivo e com a menor complexidade possível. Isso visa contribuir para a redução das emissões de dióxido de carbono e outros gases associados às mudanças climáticas, decorrentes da execução desses modelos. Foram realizados quatro conjuntos de experimentos numéricos para avaliar a hipótese e a proposta. Os dois primeiros experimentos compararam a eficiência das funções de ativação adaptativas em relação às funções de ativação tradicionais em problemas de classificação e regressão. O terceiro experimento combinou abordagens evolutivas com funções de ativação adaptativas para encontrar o melhor modelo em termos de métrica e complexidade em problemas de Autoencoder. Por fim, no quarto experimento, estendeu-se a aplicação das abordagens evolutivas combinadas com funções de ativação adaptativas, desta vez voltadas para otimizar o modelo em termos de métrica e complexidade em um contexto real de detecção de tumores cerebrais. Todos os resultados obtidos apresentaram um ganho ao se utilizar as Funções de Ativação Adaptativas na construção das arquiteturas, além de um impacto ambiental comparável com estratégias tradicionais. Esses resultados representam um avanço significativo na busca por redes neurais artificiais mais eficazes e ecologicamente conscientes, alinhando Otimização Evolutiva com a responsabilidade ambiental, especialmente na redução da Pegada de Carbono.