Aprendizado de máquina aplicado a superfícies de energia potencial para interações entre peróxido de hidrogênio e gases nobres
Autor(a) principal: | |
---|---|
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 |