• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Física
    Estatísticos e físicos se unem para trazer uma abordagem de aprendizado de máquina para mineração de dados nucleares

    Ilustração esquemática da densidade da distribuição de Dirichlet para verdadeira mistura de modelos. Crédito:V. Kejzlar


    Os físicos utilizam modelos teóricos para estudar quantidades físicas, como a massa dos núcleos, onde não possuem dados experimentais. No entanto, usar um único modelo teórico imperfeito pode levar a resultados enganosos. Para melhorar a qualidade das previsões extrapoladas, os cientistas podem usar vários modelos diferentes e misturar os seus resultados. Desta forma, os cientistas aproveitam ao máximo a sabedoria coletiva de múltiplos modelos e obtêm a melhor previsão a partir das informações experimentais mais atuais.

    Para melhorar a previsibilidade de modelos computacionais complexos, uma equipe de físicos nucleares e estatísticos propôs um novo método estatístico. Este método utiliza um processo estatístico denominado teorema de Bayes para revisar a probabilidade de uma hipótese à medida que novos dados são obtidos. O trabalho está publicado na revista Scientific Reports .

    A estrutura de aprendizado de máquina resultante usa a chamada distribuição Dirichlet. Este processo estatístico combina os resultados de vários modelos imperfeitos. Os pesquisadores demonstraram a capacidade das técnicas de mistura propostas para extrair dados sobre massas nucleares.

    Esta pesquisa demonstrou que misturas globais e locais de modelos têm excelente desempenho tanto na precisão de suas previsões quanto na quantificação de incertezas. Estas misturas parecem ser preferíveis à média do modelo Bayesiano clássico, a abordagem convencional. Além disso, a análise dos investigadores indica que melhorar as previsões dos modelos através de uma mistura simples leva a extrapolações mais robustas do que a mistura de modelos corrigidos.

    Mais informações: Vojtech Kejzlar et al, Mistura Bayesiana Dirichlet local de modelos imperfeitos, Relatórios Científicos (2023). DOI:10.1038/s41598-023-46568-0
    Informações do diário: Relatórios Científicos

    Fornecido pelo Departamento de Energia dos EUA



    © Ciência https://pt.scienceaq.com