Desenvolvendo Redes Neurais Artificiais com Estrutura de Redes Complexas

• Processo: 25/04836-3
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 31 de dezembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Odemir Martinez Bruno
• Beneficiário: Paulo Ricardo Sturion
• Instituição Sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Aprendizagem profunda Grafos Redes complexas Redes neurais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado profundo | Deep Learning | grafos | Redes Complexas | Redes neurais | Redes Neurais e Redes Complexas

Resumo

O projeto propõe desenvolver e investigar a aplicação de estruturas de conexões inspiradas em modelos de Redes Complexas - redes Aleatórias, de Pequeno Mundo e Sem Escala - em Redes Neurais Artificiais, com foco nas arquiteturas MLP e CNN. A abordagem envolve uma revisão dos conceitos fundamentais de Redes Complexas e a concepção teórica de técnicas e arquiteturas adaptadas, integrando os modelos à estrutura tradicional das redes neurais de forma compatível aos algoritmos de backpropagation disponíveis. Para avaliar as arquiteturas propostas, será selecionada uma série de benchmark datasets, e os modelos serão implementados sob o framework da biblioteca PyTorch. A realização de experimentos controlados permitirá a coleta e análise de dados tendo como objetivos: (i) investigar a performance e eficiência das diferentes arquiteturas propostas, e (ii) identificar a relação entre os parâmetros das redes neurais - como número de neurônios e de camadas - e as configurações inspiradas em Redes Complexas. Como principal contribuição científica, espera-se a proposição de novas técnicas que aprimorem a eficiência e performance das redes, possibilitando avanços tanto no desempenho computacional quanto na plausibilidade biológica das ANNs, e fomentando futuras aplicações em inteligência artificial. (AU)