Aplicação de técnicas elementares de machine learning à Física

• Autor(a) principal: Souza, Nathane Vitória de Lima e
• Data de Publicação: 2020
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/handle/123456789/40246
• topic: Inteligência Artificial; Deep Learning; Recurrent Neural Networks; Python; Keras; Artificial Inteligence

Avanços recentes impulsionaram, uma vez mais, os investimentos na área de deep learning, que é um subconjunto da grande área de inteligência artificial. A versatilidade desse método possibilita que ele tenha aplicabilidade tanto comercial quanto acadêmica.O presente estudo teve por objetivo avaliar o desempenho de técnicas de deep leaning na resolução de dois problemas físicos, sendo eles a previsão de temperaturas na cidade do Natal/RN e a estimativa dos estados fundamentais de uma partícula sujeita à diversas funções potenciais, em uma dimensão. Para isso, utilizou-se o API Keras - uma plataforma de programação em Python, que possibilita a implementação de redes neurais artificiais. Para o primeiro sistema, foi usada uma arquitetura de camadas do tipo recurrent. Verificou-se que o custo permaneceu alto durante a validação e que a rede sofreu overfitting significativo. Já no segundo problema, a arquitetura escolhida consiste em camadas do tipo Dense empilhadas. Os valores reais do estado fundamental para cada potencial gerado foram comparados às previsões da rede. O resultado obtido indica que houve overfitting e mostra que, apesar do grande poder de representação das redes neurais, a rede em questão teve dificuldades em realizar o ajuste nos casos onde a função que descreve o estado fundamental apresentou maior heterogeneidade.