Ministério da Ciência, Tecnologia, Inovações e Comunicações
CBPFIndex
CENTRO BRASILEIRO DE PESQUISAS FÍSICAS
25/05/2022   
Usuário:
Senha:

Crie sua conta aqui

Procurar por:

Publicações
Projetos
Eventos

Ir para a busca avançada

Dissertação de Mestrado
Assignments from coarse-grained systems using machine learning

Data do cadastro: 30/03/2022

Publicação/Divulgação: 05/04/2021

Resp. pelo cadastro:

Orientador: Fernando da Rocha Vaz Bandeira de Melo

Coorientador: -

Segundo Coorientador: -

Aluno: -

Status atual: Defendida

Instituição de defesa: CBPF - Centro Brasileiro de Pesquisas Físicas

Resumo: O objetivo deste projeto foi utilizar técnicas computacionais para aproximar o melhor estado microscópico a ser designado para um sistema dada uma descrição macroscópica deste, a partir de resultados de pesquisa recentes sobre o assunto de mapeamento quântico da escala macro para a micro. Três métodos são apresentados neste trabalho. Primeiro, um método de amostragem por rejeição, em que os microestados quânticos são amostrados uniformemente, um mapa de coarse-graining é aplicado neles e, então, os estados são submetidos a condições de valor limiar para construir um conjunto que aproxima o ensemble de todos os microestados que satisfazem as condições macroscópicas. Em segundo lugar, um método de amostragem e partição, onde a imagem do mapa de coarsegraining é dividido em células. Essa divisão, feita com o algoritmo de aprendizado de máquina não supervisionado k-means++, é utilizada então para classificar os microestados com base na posição dos estados efetivos correspondentes no espaço determinado pela imagem do mapa. A abordagem cria células menores em lugares onde a concentração de dados é alta, consequentemente permitindo que os assignments associados a macroestados mais prováveis sejam calculados com precisão maior. Finalmente, o leitor ou leitora é apresentado(a) a perspectivas para um método inspirado em variational autoencoders para aprender como amostrar diretamente de microestados que satisfaçam as condições macroscópicas.

Área:

Data da defesa: 05/04/2021

Banca: Nadja Kolb Bernardes; Fernando Dantas Nobre; Thiago Rodrigues de Oliveira; Itzhak Roditi


Download do PDF (1.535 KB)


Todos
Todos
Todas
Artigos de Div. Científica
Artigos em Revistas Nac.
Artigos em Revistas Int.
Artigos em Eventos Nac.
Artigos em Eventos Int.
Livros Inteiros
Capítulos de Livro
Propriedades Intelectuais
Áudio
Patentes
Programas de computador
Modelos de utilidade
Marcas
Outras prop. intel.
Tecnologias
Know-how
Serviços tecnológicos
Tecnologias inovadoras
Teses de Doutorado
Dissertações de Mestrado
Projetos de Graduação
Ciência e Sociedade
Documentos Históricos
Monografias
Notas de Física
Notas Técnicas
Outras Produções
· Principal    |    CBPF    |    ·

Copyright 2004 - CBPF. Rio de Janeiro/Brasil
Centro Brasileiro de Pesquisas Físicas
v 1.1

       
P�g. gerada em 0.01 s
Total de consultas SQL: 32