Potencializando a Computação Científica com Aprendizado de Máquina: Inovações e Avanços na Análise de Sistemas Complexos

• Processo: 23/15458-4
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de março de 2024
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Guido Costa Souza de Araújo
• Beneficiário: Ronaldo Givisiez Melo Rodrigues
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/08293-7 - CECC - Centro de Engenharia e Ciências Computacionais, AP.CEPID
• Assunto(s): Aprendizado computacional Computação científica Computação de alto desempenho
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Computação Científica | Computacão de Alto Desempenho | Computação Científica

Resumo

Este projeto de pós-doutorado está focado em melhorar as capacidades de cálculo científico integrando técnicas de aprendizado de máquina (ML). Nosso principal objetivo é aproveitar os algoritmos de ML para refinar modelos computacionais científicos, permitindo uma melhor compreensão e previsão de sistemas e processos complexos. O trabalho proposto inclui o design de algoritmos informados por ML, integrando-os aos paradigmas de cálculo científico existentes e validando sua eficiência e eficácia em cenários do mundo real. Ao integrar com sucesso o aprendizado de máquina ao cálculo científico, antecipamos avanços substanciais na precisão, confiabilidade e interpretabilidade de modelos computacionais em várias disciplinas científicas. Isso inclui, mas não se limita a, simulações de dinâmica molecular, onde os métodos propostos poderiam acelerar significativamente a previsão de interações e dinâmicas moleculares; imageamento sísmico, onde algoritmos informados por ML podem melhorar as capacidades de imagem e interpretação de dados sísmicos; e otimização topológica, onde a abordagem combinada pode levar a soluções de design mais eficientes e confiáveis. Esta integração abrangente do aprendizado de máquina no cálculo científico tem um grande potencial para expandir os limites destas disciplinas científicas.