Aprendizado de representação de grafos informado por física para dinâmica oceânica.

• Ano de defesa: 2023
• Autor(a) principal: Netto, Caio Fabricio Deberaldini
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Forecasting; Graph neural networks; Graph representation learning; Inteligência artificial; Ocean dynamics; Physical systems; Physics-informedmachine learning; Predição; Redes neurais; Sistemas dinâmicos
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-03012024-120505/

A percepção dos elementos ambientais que nos cercam e como eles afetam nossa integridade física nos levam a projetar modelos do mundo real, visando antecipar ou mitigar os efeitos de situações desvantajosas para a vida humana, causadas por eventos tanto no espaço quanto no tempo. Nesse sentido, tivemos grandes avanços na modelagem das ciências físicas, principalmente nos domínios ambiental e de engenharia. Um domínio particular de interesse é o dos oceanos. Normalmente, os pesquisadores recorrem a métodos numéricos para entender e prever a dinâmica dos oceanos, a fim de dominar seus fenômenos. No entanto, tais métodos têm suas limitações em diversos cenários. Por exemplo, se o mapa topográfico é complexo (tornando a geração da malha também complexa), os processos fundamentais sao parcial ou completamente desconhecidos, ou estamos lidando com problemas de alta dimensão, discretizações numéricas das equações governantes podem não ser adequadas. Aprendizado de máquina se mostra uma alternativa interessante quando dados oceânicos estão disponíveis. Mesmo assim, os melhores modelos, redes neurais profundas, exigem grandes massas de dados para desempenharem bem em tarefas de predição; dado que a dinâmica dos oceanos se estende tanto no espaço quanto no tempo, há um desafio real para conseguir relacionar informações em diferentes dimensões, ao modelar esses sistemas com algoritmos de aprendizado. Atualmente, a falta de grandes bases de dados em problemas científicos é abordada combinando redes neurais com conhecimento físico prévio, no chamado paradigma de aprendizado informado pela física. Por outro lado, as redes neurais de grafos, inseridas na área de aprendizado de representação de grafos, tem apresentado excelentes resultados ao lidar com problemas relacionais, como a previsão de fenômenos espaço-temporais. No entanto, a interseção entre esses dois campos de pesquisa não é bem explorada em geral, e muito menos em problemas do mundo real. Neste trabalho concentramos nossos esforços em unir os campos de aprendizado de máquina informado por física e aprendizado de representação gráfica, desenvolvendo um método de aprendizado profundo para a tarefa de predição de variáveis oceânicas, como altura da superfície do mar e velocidade da corrente. Experimentos foram conduzidos com dados reais de dois locais diferentes da região costeira do sudeste do Brasil, a Baía de Sepetiba/Ilha Grande e o Sistema Estuarino de Santos-Sao Vicente-Bertioga. Nosso modelo tem sido capaz de explorar vieses indutivos temporais e espaciais ao unir modelos sequenciais estado-da-arte, modelos relacionais e conhecimento físico de um modelo numérico, com melhorias significativas na eficiência do uso dos dados e acurácia de predição.