Análise de autômato de rede (network automata) como modelo para processos naturais e biológicos

• Processo: 21/08325-2
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de janeiro de 2022
• Data de Término da vigência: 31 de outubro de 2025
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Matemática da Computação
• Acordo de Cooperação: Research Foundation - Flanders (FWO)
• Pesquisador responsável: Odemir Martinez Bruno
• Beneficiário: Odemir Martinez Bruno
• Pesquisador Responsável no exterior: Jan Marcel Baetens
• Instituição Parceira no exterior: Ghent University (UGent), Bélgica
• Pesquisador Responsável no exterior: Luis Enrique Correa da Rocha
• Instituição Parceira no exterior: Ghent University (UGent), Bélgica
• Instituição Sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 23/07241-5 - Combinando rede-autômato e redes neurais para análise de dados, BP.PD
• Assunto(s): Aprendizado computacional Sistemas complexos Redes complexas Reconhecimento de padrões Autômatos celulares
• Palavra(s)-Chave do Pesquisador: aprendizado de máquinas | Autômato celular | Reconhecimento de Padrões | Redes Complexas | Sistemas complexos e aprendizado de máquinas

Resumo

O aumento do poder computacional permite a descrição e previsão de processos naturais modelando suas interações em menor escala, recriando fenômenos naturais de forma ascendente. Duas classes de tais abordagens, que são especialmente pertinentes para modelar processos espaço-temporais, são autômatos celulares (CAs) e sua extensão topológica, autômatos de rede (NAs). Os tipos mais simples de CAs e NAs são bem estudados, mas para que esses modelos adquiram o status de um paradigma científico forte, eles devem permitir extensões de modelo simples, embora, ao mesmo tempo, permaneçam metodologicamente robustos. Vamos estender esses modelos computacionais, introduzindo "heterogeneidade espacial", que inclui "heterogeneidade de regra" e "heterogeneidade topológica". O primeiro se traduz em estender o modelo de tal forma que o conjunto de regras que determinam a dinâmica microscópica e, portanto, o processo emergente, não deve mais ser o mesmo em todas as regiões espacialmente distintas. Este último, que é exclusivo dos NAs, se traduz em permitir diferentes tipos de conexões entre os nós. Em ambos os casos, uma estrutura matemática para essas heterogeneidades, bem como uma investigação metodológica sobre seus efeitos na estabilidade do modelo, quantificada por extensões discretas do expoente de Lyapunov, estão no centro desta proposta. Em uma etapa final, mobilizaremos esses modelos e as técnicas analíticas recentemente desenvolvidas em duas aplicações: epidemiologia e dinâmica de opinião. (AU)

Publicações científicas

(8)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

VALLE, JOAO; BRUNO, ODEMIR M.. Dynamics and patterns of the least significant digits of the infinite-arithmetic precision logistic map orbits. CHAOS SOLITONS & FRACTALS, v. 180, p. 9-pg., 2024-01-24. (21/08325-2, 22/01935-2, 18/22214-6)

NEIVA, MARIANE B.; BRUNO, ODEMIR M.. Exploring ordered patterns in the adjacency matrix for improving machine learning on complex networks. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS, v. 626, p. 11-pg., 2023-08-14. (18/22214-6, 21/08325-2)

SCABINI, LEONARDO F. S.; BRUNO, ODEMIR M.. Structure and performance of fully connected neural networks: Emerging complex network properties. PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS, v. 615, p. 17-pg., 2023-03-03. (21/08325-2, 19/07811-0)

VALLE, JOAO; MACHICAO, JEANETH; BRUNO, ODEMIR M.. Chaotical PRNG based on composition of logistic and tent maps using deep-zoom. CHAOS SOLITONS & FRACTALS, v. 161, p. 10-pg., 2022-06-27. (21/07377-9, 21/08325-2, 18/22214-6, 22/01935-2, 20/03514-9)

ZIELINSKI, KALLIL M. C.; RIBAS, LUCAS C.; MACHICAO, JEANETH; BRUNO, ODEMIR M.. A network classification method based on density time evolution patterns extracted from network automata. PATTERN RECOGNITION, v. 146, p. 10-pg., 2023-09-29. (23/04583-2, 21/07289-2, 21/08325-2, 20/03514-9, 22/03668-1, 18/22214-6)

SCABINI, LEONARDO; ZIELINSKI, KALLIL M.; RIBAS, LUCAS C.; GONCALVES, WESLEY N.; DE BAETS, BERNARD; BRUNO, ODEMIR M.. RADAM: Texture recognition through randomized aggregated encoding of deep activation maps. PATTERN RECOGNITION, v. 143, p. 13-pg., 2023-11-01. (22/03668-1, 21/09163-6, 18/22214-6, 21/07289-2, 21/08325-2, 19/07811-0)

SCABINI, LEONARDO; DE BAETS, BERNARD; BRUNO, ODEMIR M.. Improving deep neural network random initialization through neuronal rewiring. Neurocomputing, v. 599, p. 13-pg., 2024-07-17. (19/07811-0, 21/09163-6, 21/08325-2, 18/22214-6)

ZIELINSKI, KALLIL M. C.; SCABINI, LEONARDO; RIBAS, LUCAS C.; BRUNO, ODEMIR M.. Exploring neighborhood variancy for rule search optimization in Life-like Network Automata. 2024 14TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION SYSTEMS, ICPRS, v. N/A, p. 7-pg., 2024-01-01. (23/04583-2, 23/10442-2, 21/08325-2, 24/00530-4, 18/22214-6)