Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres

Detalhes bibliográficos
Autor(a) principal: Bispo, Matheus de Oliveira
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/45260
Resumo: Dissertação (mestrado) — Universidade de Brasília, Instituto de Física, Programa de Pós-Graduação em Física, 2022.
id UNB_c77d396494be9d7fe14511617d132c82
oai_identifier_str oai:repositorio.unb.br:10482/45260
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobresAprendizado de máquinaFunções de KernelSuperfície de energia potencialDissertação (mestrado) — Universidade de Brasília, Instituto de Física, Programa de Pós-Graduação em Física, 2022.O aprendizado de máquina (ML) se tornou uma ferramenta computacional importante no estudo de sistemas físicos, proporcionando avanços importantes no estudo e na descrição de superfícies de energia potencial (SEPs). No entanto, pouco se investigou sobre o comportamento destes algoritmos em sistemas fracamente ligados, tais como moléculas presentes na atmosfera terrestre e no meio interestelar. O presente estudo visa analisar o desempenho dos métodos de kernel - um tipo de algoritmo de ML - na descrição das SEPs do sistema H2O2 − Kr por meio de um estudo topográfico desta. Analisaremos também as curvas de aprendizado e as capacidades preditivas desse modelo no que tange à interpolação de pontos na superfície.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).Machine learning (ML) has become an important computational tool in the study of physical systems, providing important advancements in the study and description of potential energy surfaces (PESs). However, little has been investigated about the behavior of these algorithms in weakly bound systems, such as molecules present in the terrestrial atmosphere and in the interstellar medium. The present study aims to analyze the performance of kernel methods - a type of ML algorithm - in the description of the SEPs of the H2O2 − Kr system through a topographic study of it. We will also analyze the learning curves and predictive capabilities of this model in terms of interpolating points on the surface.L’apprentissage automatique (ML, d’anglais Machine Learning) est devenu un outil de calcul important dans l’étude des systèmes physiques, fournissant des avancées importantes dans l’étude et la description des surfaces d’énergie potentielle (SEP). Cependant, il y a peu d’études ont été menées sur le comportement de ces algorithmes dans des systèmes faiblement liés, comme les molécules présentes dans l’atmosphère terrestre et dans le milieu interstellaire. La présente étude vise à analyser les performances des méthodes de kernel - un type d’algorithme ML - dans la description des SEP du système H2O2 − Kr à travers une étude topographique de celui-ci. Nous analyserons également les courbes d’apprentissage et les capacités prédictives de ce modèle en termes d’interpolation de points sur la surface.Instituto de Física (IF)Programa de Pós-Graduação em FísicaSilva Filho, Demétrio Antônio damatheus.physis@gmail.comBispo, Matheus de Oliveira2022-12-05T22:04:22Z2022-12-05T22:04:22Z2022-12-052022-09-12info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfBISPO, Matheus de Oliveira. Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres. 2022. 73 f., il. Dissertação (Mestrado em Física) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/45260A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-02-20T16:56:54Zoai:repositorio.unb.br:10482/45260Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-02-20T16:56:54Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
title Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
spellingShingle Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
Bispo, Matheus de Oliveira
Aprendizado de máquina
Funções de Kernel
Superfície de energia potencial
title_short Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
title_full Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
title_fullStr Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
title_full_unstemmed Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
title_sort Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
author Bispo, Matheus de Oliveira
author_facet Bispo, Matheus de Oliveira
author_role author
dc.contributor.none.fl_str_mv Silva Filho, Demétrio Antônio da
matheus.physis@gmail.com
dc.contributor.author.fl_str_mv Bispo, Matheus de Oliveira
dc.subject.por.fl_str_mv Aprendizado de máquina
Funções de Kernel
Superfície de energia potencial
topic Aprendizado de máquina
Funções de Kernel
Superfície de energia potencial
description Dissertação (mestrado) — Universidade de Brasília, Instituto de Física, Programa de Pós-Graduação em Física, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-12-05T22:04:22Z
2022-12-05T22:04:22Z
2022-12-05
2022-09-12
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 BISPO, Matheus de Oliveira. Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres. 2022. 73 f., il. Dissertação (Mestrado em Física) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/45260
identifier_str_mv BISPO, Matheus de Oliveira. Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres. 2022. 73 f., il. Dissertação (Mestrado em Física) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/45260
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.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1810580725012889600

Registros relacionados