EQUAÇÕES DIFERENCIAIS UNIVERSAIS E APRENDIZADO DE MÁQUINA

Beatriz Farah; Gil Sales Miranda Neto; Ricardo Martins da Silva Rosa

Todos os Trabalhos

Trabalho

Título do Trabalho

EQUAÇÕES DIFERENCIAIS UNIVERSAIS E APRENDIZADO DE MÁQUINA

Autores

Beatriz Farah
Gil Sales Miranda Neto
Ricardo Martins da Silva Rosa

Modalidade

Resumo apresentação oral padrão

Área temática

Centro de Ciências Matemáticas e da Natureza (CCMN)/Matemática

Data de Publicação

22/03/2021

País da Publicação

Brasil

Idioma da Publicação

Português

Página do Trabalho

https://www.even3.com.br/anais/jgmictac/317165-equacoes-diferenciais-universais-e-aprendizado-de-maquina

ISBN

978-65-5941-128-3

Palavras-Chave

Aprendizado de máquina, Modelagem, Modelos híbridos

Resumo

Nos últimos anos, técnicas de aprendizado de máquina têm sido utilizadas como uma forma poderosa de modelar e prever fenômenos dos mais diversos. Apesar de flexível e poderosa, essa abordagem pode nem sempre ser viável, por necessitar de grandes bases de dados para treino. Nesse contexto, em fenômenos em que se dispõe de alguma informação mecanicista no seu processo, a perspectiva de se combinar um modelo clássico aproximado com técnicas de aprendizado de máquina se mostram bastante interessantes. Isso tem sido particularmente bem explorado em modelos envolvendo equações diferenciais, por especificarem não linearidades de forma controlada e passível de aprendizado por meio dos parâmetros. Portanto, a abordagem por aprendizado de máquina é complementar às equações diferenciais, e a união desses métodos tem sido chamada de Equações Diferenciais Universais (EDU), ou, em inglês, universal differential equations (UDEs). Neste trabalho, foi estudada modelagem por Equações Diferenciais Universais, que trata de modelos de equações diferenciais em que parte da EDO possui um aproximador universal, como uma rede neural. Foi estudado como esse método pode ser usado para descobrir equações que descrevem diferentes fenômenos, além de ser capaz de extrapolar os dados originais e acelerar a simulação dos modelos (RACKAUCKAS et al., 2020). Por fim, foram estudadas aplicações desse método em modelos epidemiológicos e biológicos (DANDEKAR R. et al., 2020; IRAVANIAN, S., 2020), em que EDUs são usadas para descobrir de forma automatizada mecanismos previamente desconhecidos dos problemas considerados. REFERÊNCIAS BILIOGRÁFICAS RACKAUCKAS, C. et al. Universal Differential Equations for Scientific Machine Learning. 2020, DOI: 10.21203/rs.3.rs-55125/v1. IRAVANIAN, S. Discovery of the Hidden State in Ionic Models Using a Domain-Specific Recurrent Neural Network. 2020. DANDEKAR R. et al. A machine learning aided global diagnostic and comparative tool to assess effect of quarantine control in Covid-19 spread. 2020, DOI: 10.1101/2020.07.23.20160697

Título do Evento: XLII Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural (JICTAC 2020 - Edição Especial) - Evento UFRJ
Título dos Anais do Evento: Anais da Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

FARAH, Beatriz; NETO, Gil Sales Miranda; ROSA , Ricardo Martins da Silva Rosa . EQUAÇÕES DIFERENCIAIS UNIVERSAIS E APRENDIZADO DE MÁQUINA.. In: Anais da Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural. Anais...Rio de Janeiro(RJ) UFRJ, 2021. Disponível em: https//www.even3.com.br/anais/jgmictac/317165-EQUACOES-DIFERENCIAIS-UNIVERSAIS-E-APRENDIZADO-DE-MAQUINA. Acesso em: 09/06/2025