Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network

Detalhes bibliográficos
Autor(a) principal: Perico, Camila Pereira, 1994-
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/69336
Resumo: Orientador: Prof. Dr. Roberto Tadeu Raittz
id UFPR_2d1481893f54cba7e7bad86ac67c5b68
oai_identifier_str oai:acervodigital.ufpr.br:1884/69336
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Perico, Camila Pereira, 1994-Foryta, Dietmar William, 1964-Universidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Programa de Pós-Graduação em BioinformáticaRaittz, Roberto Tadeu, 1966-2022-05-09T19:50:04Z2022-05-09T19:50:04Z2020https://hdl.handle.net/1884/69336Orientador: Prof. Dr. Roberto Tadeu RaittzCoorientador: Prof. Dr. Dietmar William ForytaDissertação (mestrado) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Programa de Pós-Graduação em Bioinformática. Defesa : Curitiba, 15/06/2020Inclui referências: p. 123-132Área de concentração: Inteligência ArtificialResumo: Com importância ampla e inquestionável, o estudo da modelagem e dinâmica moleculares necessita constantemente de avanços e o desenvolvimento de novas técnicas é bem-vindo. O aprendizado de máquina vem sendo reconhecido na literatura como um grande aliado na simulação de sistemas químico-quânticos. Sem solução analítica para sistemas de N-corpos, a equação de Schrödinger exige solução por aproximações, as quais possuem falhas. Dentre os trabalhos revisados da literatura, não encontramos nenhum trabalho que busque obter trajetórias ou uma representação pontual do elétron no tempo utilizando recursos do ML, nem foram encontradas aplicações de redes neurais para a previsão de energias do elétron ligado a um núcleo. Propomos, portanto, a elaboração de um modelo baseado em inteligência artificial, com o uso de redes neurais, para representar o comportamento do elétron utilizando a interpretação de Copenhagen. Por não haver na literatura nenhum método de aprendizado que satisfaça as exigências para o modelo de comportamento do elétron, foi desenvolvida a rede Feature Resonance Neural Network (FRes). A FRes é uma rede generalista - não especializada - com função de custo customizável, de otimização evolutiva por algoritmo genético, arquitetura baseada em ressonância, e aprendizado local (supervisionada) e/ou global (reforço esparso). Validamos a FRes com testes do 'ou exclusivo' (XOR), de classificação e augmentation. Tais testes demonstraram que a ressonância é essencial para a solução de problemas não lineares, e que a rede é capaz de solucionar problemas simples e complexos. Obtivemos acurácia média de (93.99 ± 2.96)% e (96.69 ± 1.12)% na classificação dos dados da Iris e câncer de mama respectivamente, e acurácia de (96.32 ± 0.84)% para a classificação dos dados gerados pelas redes FRes geradoras. Após a validação da FRes, apresentamos um modelo alternativo para representação elétron no tempo e pontualmente, mas não por trajetórias literais. Desenvolvemos um modelo sem supervisão capaz de avaliar apenas globalmente o comportamento da partícula, respeitando a densidade probabilidade de Schrödinger. Após testes iniciais para verificação dos parâmetros adequados, obtivemos 12 redes com erro médio inferior a 10% nos parâmetros avaliados. A rede de melhor desempenho foi a código FRes14B#34, que obteve erros percentuais de 3.51 ± 0.44 %, 6.91 ± 0.39 %, 5.36 ± 0.43 % e 0.72 ± 0.42 % na comparação dos histogramas radial, angulares (? e ?) e no raio médio, respectivamente. Também obteve desvio do centro de massa de 0.0597 ± 0.0054 Å. A análise dos resultados revelaram uma propriedade atratora das redes - atratores caóticos. Conseguimos idealizar e desenvolver um modelo de representação do hidrogênio preliminar bem sucedido, que ainda necessita de mais estudos, mas que abre portas para a elaboração de um novo modelo alternativo para interações de partículas. Além do modelo para o átomo de um elétron, a rede FRes possui potencial para outras aplicações. Palavras-chave: Física Computacional.Ressonância.Redes Neurais.Aprendizado por Otimização.Abstract: With broad and unquestionable importance, the study of molecular modeling and dynamics constantly needs advances and the development of new techniques is welcome. The machine learning has been recognized in the literature as a great ally in the simulation of chemical-quantum systems. Without an analytical solution for N-body systems, the Schrödinger equation requires solution by approximations, which have flaws. Among the reviewed papers in the literature, we didn't find any work that seeks to obtain trajectories or a point representation of the electron over time using ML resources. Nor were found any applications of neural networks for predicting the energies of the binded electron to a nucleus. Therefore, we propose the development of a model based on artificial intelligence, with neural networks, to represent the behavior of the electron using the Copenhagen interpretation. As there is no learning method in the literature that satisfies the requirements for the electron behavior model, the Feature Resonance Neural Network (FRes) network was developed. FRes is a generalist network - not specialized - with a customizable cost function, evolutionary optimization by genetic algorithm, architecture based on resonance, and local (supervised) and/or global (sparse reinforcement) learning. We validate FRes with 'exclusive or '(XOR), classification and augmentation tests. Such tests demonstrated that resonance is essential for solving nonlinear problems, and that the network is capable of solving simple and complex problems. We obtained average accuracy of (93.99 ± 2.96) % and (96.69 ± 1.12) % in the classification from Iris and breast cancer data respectively, and accuracy of (96.32 ± 0.84) % for the classification of generated data by FRes generating networks. After validation of FRes, we present an alternative model for electron representation in time and punctualy, but not by literal trajectories. We developed an unsupervised model capable of evaluating the particle behavior only globally, respecting Schrödinger's probability density. After initial tests to check the appropriate parameters, we obtained 12 networks with an average error of less than 10% in the evaluated parameters. The network with the best performance was code FRes14B #34, which got percentage errors of 3.51 ± 0.44 %, 6.91 ± 0.39 %, 5.36 ± 0.43 % and 0.72 ± 0.42 % in the comparison of the radial and angular (? and ?) histograms, and in the mean radius, respectively. It also obtained a 0.0597 ± 0.0054 Åcenter of mass deviation. The analysis of the results revealed an attractive property of the networks - chaotic attractors. We were able to devise and develop a successful preliminary hydrogen representation model, which still needs further studies, but which opens doors to the development of a new alternative model for particle interactions. In addition the model for an electron atom, the FRes network has potential for other applications. Keywords: Computational Physics. Resonance. Neural Networks. Learning by Optmization.1 recurso online : PDF.application/pdfRedes neuraisBioinformáticaOroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural networkinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - CAMILA PEREIRA PERICO.pdfapplication/pdf6978251https://acervodigital.ufpr.br/bitstream/1884/69336/1/R%20-%20D%20-%20CAMILA%20PEREIRA%20PERICO.pdf9abb2c1fbd4ff27828703bf83bf129fbMD51open access1884/693362022-05-09 16:50:04.382open accessoai:acervodigital.ufpr.br:1884/69336Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082022-05-09T19:50:04Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network
title Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network
spellingShingle Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network
Perico, Camila Pereira, 1994-
Redes neurais
Bioinformática
title_short Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network
title_full Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network
title_fullStr Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network
title_full_unstemmed Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network
title_sort Oroboro : modelo para descrição temporal do átomo de hidrogênio através da feature resonance neural network
author Perico, Camila Pereira, 1994-
author_facet Perico, Camila Pereira, 1994-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Foryta, Dietmar William, 1964-
Universidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Programa de Pós-Graduação em Bioinformática
dc.contributor.author.fl_str_mv Perico, Camila Pereira, 1994-
dc.contributor.advisor1.fl_str_mv Raittz, Roberto Tadeu, 1966-
contributor_str_mv Raittz, Roberto Tadeu, 1966-
dc.subject.por.fl_str_mv Redes neurais
Bioinformática
topic Redes neurais
Bioinformática
description Orientador: Prof. Dr. Roberto Tadeu Raittz
publishDate 2020
dc.date.issued.fl_str_mv 2020
dc.date.accessioned.fl_str_mv 2022-05-09T19:50:04Z
dc.date.available.fl_str_mv 2022-05-09T19:50:04Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/69336
url https://hdl.handle.net/1884/69336
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 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/69336/1/R%20-%20D%20-%20CAMILA%20PEREIRA%20PERICO.pdf
bitstream.checksum.fl_str_mv 9abb2c1fbd4ff27828703bf83bf129fb
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1801860786890473472

Registros relacionados