bachelorThesis
Aplicação de técnicas elementares de machine learning à Física
Registro en:
20201022897
SOUZA, Nathane Vitória de Lima e. Aplicação de técnicas elementares de machine learning à Física. 2020. 62 f. TCC (Graduação) - Curso de Física, Departamento de Física, Universidade Federal do Rio Grande do Norte, Natal, 2020.
Autor
Souza, Nathane Vitória de Lima e
Resumen
Recent advances in deep learning have ignited, once again, the hype related to this areaand, consequently, a large number of investiments have been made in the past few years.This is justified by the versatility of this method, which has comercial and academic appli-cations. This study is aimed to evaluate the performance of deep leaning techniques whenapplied to two physical systems: the first one being a temperature-forecasting problemand the second one being the computation of the ground states of a particle subjectedto a potential function. To this purpose, the Keras API was chosen, as this plataformsimplifies the implementation of neural networks. For the first system, the architectureselected consists of a combination of recurrent layers. The model started overfitting earlyand presented high validation loss during all the procces. In the second problem, thearchitecture selected consisted in a stack of Dense layers. For each potential, the trueground states were obtained and compared to the network prediction. Although neuralnetworks have the ability to identify complex patterns and create powerful models, re-sults showed that this network was not efficient in fitting the data for examples where theground state function presented a high level of heterogeneity. 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.