Authors:

Autores

Person role Person
7234
3161,51
7235
3161,51

Informations:

Pesc publication

Title
Agregador de Dados Junto à Análise de Resultados de Redes Neurais Guiadas por Física Via Framework Modulus
Research area
Data and Knowledge Engineering
Publication type
Master's thesis
Identification Number
Date
12/15/2022
Resumo

Recentemente, tem ganhado destaque no meio acadêmico o desenvolvimento de modelos de Redes Neurais Guiadas à Física (PINN), onde diferentes equações diferenciais parciais que descrevem o comportamento físico de um determinado sistema são acopladas à função de perda desses modelos. Tal família de modelos representa um novo paradigma para a solução de PDEs, tanto para problemas diretos quanto inversos, onde deseja-se estimar parâmetros físicos de um sistema. Diferentes frameworks que visam facilitar a produção e treinamento de modelos desse gênero são disponibilizados atualmente, sendo o framework Modulus um dos que têm ganhado destaque ultimamente. De qualquer modo, apesar tais pacotes facilitarem a construção de experimentos, é necessário que seja considerada uma estratégia de análise de resultados produzidos para diferentes problemas físicos colocados. Apresenta-se nessa dissertação a ferramenta aqui denominada de Modulus Aggregator, que foi desenvolvida com a finalidade de apoiar o especialista junto ao processo de análise de dados e configuração de hiper parâmetros de múltiplos modelos produzidos a partir de uma estratégia de agregação de resultados, complementando a ferramenta de visualização de dados Tensorboard e aproveitando-se da estrutura de diretório nativa de um experimento Modulus. Mostra-se que a utilização da ferramenta tem o potencial não só de dar suporte a análise de resultados, como também de servir para a automatização do processo de extração e filtragem de modelos em um cenário de grande volume de dados.

Abstract

The development of Physics Informed Neural Networks (PINN ) has been receiving considerable highlights in the academic field lately, where different partial derivative equations that describe the physical behavior of a certain system are incorporated in the loss functions of neural networks. This model family represents a new paradigm for the solutions of PDEs, for both forward and inverse problems where the objective is to estimate physical parameters of a system. Different frameworks that aim to facilitate the production and training of such models are being currently provided, and Modulus is one of the available frameworks that has been gaining ground recently. In any case, despite of the capability of these packages to assist the construction of experiments, it is important to consider a viable results analysis strategy for different physical problems being considered. In this work, it is presented the so called Modulus Aggregator tool which was developed with the objective of supporting the specialist in the data analysis process and the hyper parameter configuration of multiple models produced, with a results aggregation strategy, complementing the Tensorboard visualization tool and taking advantage of the native directory structure of a Modulus experiment. It is showed that the proper use of the developed tool adds not only the potential of assisting the results analysis process, but also the possibility of automating the extraction and filtering activities of trained models in a scenario of significant amount of data.

JSN_TPLFW_GOTO_TOP