Pintura Arq. Eduardo Moreira Santos, Lx (28.08.1904 - 23.04.1992)
Mostrar mensagens com a etiqueta Machine learning. Mostrar todas as mensagens
Mostrar mensagens com a etiqueta Machine learning. Mostrar todas as mensagens

quinta-feira, 15 de maio de 2025

Internacional - Cientistas da Universidade de Coimbra recorrem a machine learning e reduzem em sete vezes o tempo de cálculo das estrelas de neutrões

As estrelas de neutrões são um dos objetos mais densos do Universo. Podem ser vistas como núcleos gigantes muito ricos em neutrões, mas a sua verdadeira composição ainda é uma incógnita: será que no seu interior os quarks estão desconfinados? Será que na sua composição além de protões e neutrões também existem hiperões, partículas parecidas aos nucleões, mas contendo um quark estranho?


 

Explorando o potencial do método de regressão simbólica, uma ferramenta no âmbito de técnicas de machine learning, que fornece relações algébricas entre diferentes propriedades, uma equipa de cientistas do Departamento de Física da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) obteve uma relação entre a massa máxima de uma estrela de neutrões e a sua equação de estado. 

Esta relação, descrita na revista científica Physics Letters B, reduz os cálculos computacionais por um fator de sete, numa das etapas essenciais da procura de modelos compatíveis com as observações. O cálculo utiliza a inferência de Bayes, que pode ser muito demorada, uma vez que é necessário resolver as equações diferenciais que determinam a massa e o raio da estrela para vários milhões de modelos. 

«Com os atuais dados experimentais e observacionais disponíveis e os dados que serão recolhidos nas próximas décadas, espera-se que a composição destes objetos seja finalmente desvendada», afirma Constança Providência, investigadora do Centro de Física da Universidade de Coimbra (CFisUC) e professora da FCTUC. «Extrair das observações astronómicas as propriedades da matéria que interage pela força forte, como a matéria nuclear, a altas densidades, é, no entanto, outro desafio», considera.  

As utilizações de métodos estatísticos revelam-se essenciais para o sucesso deste problema. No entanto, de acordo com os especialistas, determinar o modo como a matéria sujeita a densidades e pressões extremamente elevadas se comporta dentro destes objetos - isto é, qual é a sua equação de estado, partindo do conhecimento da massa e raio das estrelas de neutrões, é um problema complicado que exige muitas horas de cálculo, pela quantidade de modelos que têm de ser testados. 

«Num futuro próximo, esperamos que seja possível descodificar a equação de estado da matéria densa diretamente a partir do conhecimento preciso dos observáveis das estrelas de neutrões, utilizando estas técnicas computacionais avançadas, o que nos permitirá desvendar as propriedades da matéria bariónica a altas densidades. Assim, será possível saber a que densidades os quarks deixam de estar confinados aos nucleões e se a transição de fase para a matéria desconfinada é uma transição de primeira ordem», concluem os investigadores envolvidos.

O artigo científico “Inferring the equation of state from neutron star observables via machine learning” é uma colaboração conjunta entre os investigadores Tuhin Malik, Helena Pais e Constança Providência do CFisUC, juntamente com investigadores na China e na Índia. Universidade de Coimbra – Portugal


segunda-feira, 15 de julho de 2024

Portugal - Estudo indica que técnicas de Machine Learning permitem a diminuição de falsas previsões de crises de epilepsia

Um estudo liderado pelo Departamento de Engenharia Informática (DEI) da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) indica que abordagens de Transfer Learning (TL) levam a uma diminuição do número de falsas previsões, mantendo a capacidade de previsão em modelos de Machine Learning (ML).


Esta investigação, desenvolvida no âmbito do projeto “RECoD-Towards Realistic Epileptic Seizure Prediction: dealing with long-term concept drifts and data-labeling uncertainty”, está publicada na revista “Scientific Reports”.

O TL é uma técnica de ML em que um modelo pré-treinado numa tarefa é ajustado para uma nova tarefa relacionada. Treinar um novo modelo de ML é um processo demorado e intenso que requer uma grande quantidade de dados, elevado custo computacional e várias iterações antes de estar pronto para produção. Em vez disso, usa-se o TL para treinar novamente os modelos existentes em tarefas relacionadas e com novos dados.

«Este artigo apresenta uma abordagem de TL para desenvolver modelos personalizados de previsão de crises epiléticas (desenvolvidos para cada paciente) com base em Deep Neural Networks (DNN). Este modelo foi desenvolvido com base em 40 pacientes da base de dados EPILEPSIAE. Consequentemente, o modelo foi usado para otimizar preditores para novos doentes», começa por explicar César Teixeira, docente do DEI e investigador do Centro de Informática e Sistemas da Universidade de Coimbra (CISUC).

Os resultados, prossegue o autor do artigo e líder do projeto, «mostraram que o desenvolvimento por TL permite obter cerca de quatro vezes menos falsos alarmes, mantendo a mesma capacidade de prever crises do que quando os modelos são treinados do zero. Assim, foi possível concluir que as limitações induzidas pelo baixo número de crises podem ser superadas através da utilização destas técnicas», acredita.

De acordo com o docente da FCTUC, o projeto RECoD, para além do modelo de TL desenvolvido, contribuiu também para o desenvolvimento de abordagens não-supervisionadas para a deteção do estado pré-crise e para a interpretação e explicação de preditores de crises epiléticas.

O consórcio deste projeto envolveu a FCTUC, a Universitätsklinikum Freiburg (UKFR) e o Centro Hospitalar e Universitário de Coimbra (CHUC). Universidade de Coimbra - Portugal


quarta-feira, 24 de abril de 2024

Internacional - Universidade de Coimbra coordena projeto europeu que visa desenvolver robótica e machine learning para agricultura digital

A Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) está a coordenar um projeto europeu que visa desenvolver robótica e machine learning para agricultura digital.


O “Artificial Intelligence and sensor-fusion systems in sustainable (Green) robotics for precision agriculture (AIGreenBots)” terá a duração de quatro anos e será financiado pelo Programa Horizonte Europa MSCA-DN com o valor global de 2,5 milhões de euros.

Em colaboração com instituições de Espanha, França, Países Baixos e Reino Unido, o projeto “AIGreenBots” pretende desenvolver novas plataformas de agro-bots, perceção robótica e sistemas de fusão de sensores, testar sistemas de robótica agrícola, mas também abordar as questões de segurança e aspetos importantes da legislação.

«Este projeto trata-se de uma Rede Doutoral Marie Skłodowska-Curie Actions (MSCA) que implementará uma aprendizagem multidisciplinar, desenvolvimento de carreira e investigação para nove estudantes internacionais de doutoramento», explica o coordenador do projeto, Cristiano Premebida, professor do Departamento de Engenharia Eletrotécnica e de Computadores (DEEC) e investigador do Instituto de Sistemas e Robótica (ISR) da FCTUC.

«Através de uma parceria internacional e complementar com universidades de topo, centros de investigação e partes interessadas relacionadas com a agricultura, dos diferentes países, esta Rede Doutoral tem como objetivo fornecer competências e conhecimentos necessários para enfrentar um dos principais desafios da nossa sociedade e do ambiente: a robótica agrícola para agricultura de precisão/digital», descreve o coordenador do projeto.

Ao envolver os estudantes num paradigma de investigação para exploração industrial, o “AIGreenBots” reúne participantes académicos e não académicos de diversas áreas, nomeadamente robótica, automação, deteção remota para agricultura de precisão, inteligência artificial (IA) confiável e aprendizagem de máquina probabilística, engenharia de sistemas, inferência probabilística, sensores de fusão, segurança e implantação real de robótica agrícola.

«Atualmente, na Europa, não existem programas de doutoramento centrados na agricultura-robótica que exponham os alunos a conceitos tão amplos e a experiências como esta, mas há uma necessidade cada vez maior deste tipo de investigação. Após a conclusão do projeto, os investigadores estarão plenamente capacitados para dirigir investigações interdisciplinares a nível internacional», assegura o coordenador do projeto na UC.

Desta forma, conclui o docente da FCTUC, «a estrutura do “AIGreenBots” servirá como plataforma europeia para uma formação doutoral de excelência em robótica inteligente para agricultura de precisão/automatizada e agricultura digital». Universidade de Coimbra - Portugal