Informações:

Publicações do PESC

Título
Gerência de Dados de Proveniência para as Redes Neurais Guiadas pela Física
Linha de pesquisa
Engenharia de Dados e Conhecimento
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
31/7/2023
Resumo

O aprendizado de máquina vem sendo usado cada vez mais em diferentes áreas de aplicação. Recentemente, as redes neurais vêm sendo adaptadas para realizar predições sobre soluções de equações diferenciais que representam fenômenos físicos. As redes neurais guiadas pela Física (PINNs), vêm revolucionando o uso de métodos numéricos na solução dessas equações por meio de modelos preditivos de redes neurais profundas. Apesar da complexidade de configuração e geração do modelo, uma vez treinado, o mesmo pode ser usado como um substitutivo do cálculo dos métodos numéricos, mostrando um ganho significativo em relação ao tempo de solução das equações. A incorporação da Física no treinamento desses modelos se dá por meio da modelagem e incorporação de componentes específicos na função de perda da rede neural. Tais componentes aumentam a complexidade na definição e análise das configurações de treinamento de modelos. Considerando a falta de apoio à análise comparativa da qualidade dos resultados dos modelos treinados, propomos a coleta e o uso de dados de proveniência, voltados à análise de modelos de PINNs. Analisamos a coleta de dados em ambiente computacional de alto desempenho, usando diferentes plataformas de treinamento de modelos de redes neurais, incluindo uma específica para PINNs. Experimentos com problemas de solução de equações diferencias parciais foram realizados evidenciando as contribuições desse registro específico de proveniência.

Abstract

Machine learning is being used increasingly in different application areas. Recently, neural networks have been adapted to predict solutions of differential equations that represent physical phenomena. Physics-Informed Neural Networks (PINNs) have revolutionized the use of numerical methods to solve these equations through predictive models of deep neural networks. Despite the complexity of configuring and generating the model, once trained, it can be used as a substitute for the calculation of numerical methods, showing a significant gain in relation to the time to solve the equations. The incorporation of Physics in the training of these models takes place through the modeling and incorporation of specific components in the loss function of the neural network. Such components increase the complexity of defining and analyzing model training configurations. Considering the lack of support for the comparative analysis of the quality of the results of the trained models, we propose the collection and use of provenance data, aimed at the analysis of PINNs models. We analyzed data collection in high-performance computational environments,  using different neural network model training platforms, including one specific for PINNs. Experiments with problems of partial differential equations solutions were carried out showing the contributions of this specific record of provenance.  

Arquivo
Topo