Compreender e prever sistemas físicos complexos são desafios significativos na investigação científica e na engenharia. Os modelos de aprendizado de máquina, embora poderosos, muitas vezes não conseguem seguir as leis básicas da física, levando a resultados incorretos ou não físicos. Para resolver isso, o aprendizado de máquina baseado na física surgiu como uma solução, incorporando essas regras em modelos de aprendizado de máquina. Contudo, estabelecer as condições precisas sob as quais estas regras se aplicam é uma tarefa difícil, especialmente quando se trata de equações matemáticas complexas. Pesquisadores da Academia Sinica Dr. Sandor Molnar e Professor Joseph Godfrey e Dr. Biniang Chang da Virginia Tech introduziram uma nova abordagem que unifica várias leis físicas sob uma única estrutura. Seu trabalho, publicado na revista Heliyon, propõe um método de equação de equilíbrio para integrar sistematicamente a física em modelos de aprendizado de máquina.
Os métodos tradicionais de aprendizado de máquina baseados na física dependem de termos de correção adicionais derivados das equações governantes para garantir a conformidade com as leis da física. No entanto, a definição destes termos corretivos é muitas vezes inconsistente e carece de orientação universal. A estrutura da equação de equilíbrio proposta deriva todas as equações fundamentais da física clássica – como os fluidos se movem, como os campos elétricos se comportam, como os materiais se esticam e a transferência de calor – a partir de uma única equação de equilíbrio. Esta equação calcula a conservação e o movimento de quantidades físicas como massa, força e energia. Ao usar relações de objetos específicas, os pesquisadores podem adaptar a equação de equilíbrio a diferentes disciplinas científicas, facilitando a integração da física em modelos de aprendizado de máquina.
O professor Godfrey explicou: “Mostramos que todas essas equações podem ser derivadas de uma única equação chamada equação de equilíbrio geral, combinada com relações constitutivas específicas que ligam a equação de equilíbrio a um domínio particular.” Essa abordagem fornece um método mais estruturado e universal para incorporar a física ao aprendizado de máquina.
Uma grande vantagem desta abordagem é a capacidade de implementar sistematicamente as leis da física sem a necessidade de ajustes adicionais nos vários tipos de equações. Os pesquisadores mostraram que seu método captura com precisão como os sistemas complexos se comportam, resolvendo problemas de previsão e de engenharia reversa com aprendizado de máquina baseado na física. Os problemas de previsão envolvem prever como um sistema mudará ao longo do tempo com base em leis físicas conhecidas, enquanto os problemas de engenharia reversa analisam dados do mundo real para descobrir as leis desconhecidas que governam o sistema. Seu método nos permite resolver ambos os tipos de problemas usando uma única abordagem, melhorando significativamente o desempenho e a precisão dos modelos de aprendizado de máquina projetados para funcionar com sistemas físicos.
Um dos aspectos mais importantes desta pesquisa é sua ampla gama de aplicações em diversos campos científicos. O sistema de equações de equilíbrio pode ser usado para modelar como líquidos e gases fluem, como ocorrem as reações químicas e como as forças elétricas interagem, entre outras aplicações. Ao unificar diferentes princípios da física sob uma equação, esta abordagem não apenas simplifica o processo de integração da física em modelos de aprendizado de máquina, mas também fornece um método mais confiável e adaptativo. Os investigadores forneceram exemplos práticos que mostram como o seu quadro pode ser utilizado em situações do mundo real para demonstrar a sua flexibilidade e utilidade.
Destacando a importância de suas descobertas, o professor Godfrey disse: “Nossa abordagem sugere que uma estrutura única pode ser adotada para incorporar a física em modelos de aprendizado de máquina. Este nível de generalização pode formar a base de métodos mais eficientes para o desenvolvimento de aprendizado de máquina baseado em física para sistemas complexos.”
Como a aprendizagem automática continua a desempenhar um papel importante na investigação científica, é importante garantir que as suas previsões sejam consistentes com a realidade física. A estrutura da equação de equilíbrio representa um passo importante em direção a modelos de aprendizado de máquina mais confiáveis e compreensíveis para sistemas complexos. O professor Godfrey enfatizou as amplas implicações de seu trabalho, dizendo: “A estrutura da equação de equilíbrio permite que uma rede neural informada pela física (PINN) comunique restrições físicas, especificando as equações de existência e as equações do sistema relacionadas. “O futuro é o aprendizado de máquina informado pela física, “disse o Dr. Molnar.
Ao fornecer um método estruturado e universal para incorporar a física no aprendizado de máquina, este trabalho estabelece as bases para desenvolvimentos futuros em modelagem computacional. Isso abre a porta para simulações mais precisas, melhores previsões e insights mais profundos sobre o comportamento de sistemas naturais e de engenharia.
Nota de diário
Molnar SM, Godfrey J., Song B. “Equações de equilíbrio para aprendizado de máquina informado pela física.” Inferno, 2024; 10: e38799. DOI: https://doi.org/10.1016/j.heliyon.2024.e38799
Sobre os professores
José R Godfrey Nasceu em 15 de abril de 1958 em San José, Costa Rica. Ele recebeu um bacharelado em Matemática pela Universidade de Chicago em 1979 e um PhD em Física de Altas Energias pela Universidade de Notre Dame em 1987. O Professor Godfrey é atualmente o Diretor do programa de Mestrado em Gestão de Engenharia (MEA) do Departamento de Engenharia Industrial e de Computação de Grado. Suas responsabilidades incluem gerenciar e desenvolver o programa, recrutar estudantes e construir parcerias com organizações públicas e privadas.
Sandor M. Molnar Nasceu em 27 de agosto de 1955 em Budapeste, Hungria. Ele recebeu seu Diploma em Astrofísica pela Universidade Eotvos em Budapeste, Hungria, em 1979, e dois mestrados (Física, Astronomia) pela Universidade de Massachusetts, Amherst, em 1993 e 1995. Após sua pesquisa, ele completou um doutorado de três anos na Universidade de Bristol, Reino Unido. Associado da NASA, Goddard Space Flight Center (dois anos como National Academy of Sciences/National Research Council Research Associate). Em seguida, ocupou cargos de pós-doutorado em diversas universidades (Rutgers, Washington State University, Universidade de Zurique) antes de ingressar no Instituto de Astronomia e Astrofísica da Academia Sinica em Taipei, Taiwan, em 2007, como cientista visitante. Pesquisa como pesquisador visitante. Possui mais de 70 publicações em astrofísica e cosmologia sobre constelações e temas relacionados. Molnar publicou o livro Cosmologia com Aglomerados de Galáxias (da Nova) em 2015.
