Comparação entre modelos mono- e multitarefa induzidos por aprendizado de máquina para a previsão de propriedades de vidros

• Processo: 24/06604-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de outubro de 2024
• Data de Término da vigência: 30 de setembro de 2025
• Área de conhecimento: Engenharias - Engenharia de Materiais e Metalúrgica - Materiais Não-metálicos
• Pesquisador responsável: Daniel Roberto Cassar
• Beneficiário: Gustavo Uchôa Barros
• Instituição Sede: Centro Nacional de Pesquisa em Energia e Materiais (CNPEM). Ministério da Ciência, Tecnologia e Inovação (Brasil). Campinas , SP, Brasil
• Assunto(s): Aprendizado computacional Vidro
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Predicao de Propriedades | vidros | Vidros

Resumo

Modelos preditivos de propriedades dos materiais podem ser utilizados no processo de projeto inverso, isto é, na busca por materiais que atendam certas características de projetos desejadas. Desta forma, modelos preditivos de melhor performance são almejados, dado que quanto melhor a performance mais eficiente é a busca realizada na etapa de projeto inverso. Recentemente, um novo modelo preditivo capaz de prever 85 propriedades de materiais vítreos foi reportado. Este modelo foi batizado de GlassNet e é um modelo multitarefa. Uma pergunta que foi levantada no artigo do GlassNet é se modelos multitarefa têm performance melhor do que modelos mono-tarefa, no entanto, não foi possível responder com segurança esta pergunta. Este projeto tem como objetivo investigar esta pergunta. Para tal, iremos treinar diversos modelos mono-tarefa de propriedades de vidros passando pelas etapas de engenharia de atributos e de otimização de hiperparâmetros (esta última não foi realizada no artigo onde o GlassNet foi reportado). Os resultados deste trabalho são de interesse particular para a comunidade de materiais vítreos, mas que também poderão ser aproveitados pela comunidade de materiais em geral uma vez que as estratégias apresentadas são agnósticas do ponto de vista da natureza das composições estudadas.