Método Learn-by-Calibration em processos científicos

Por: Tatiana Rebocho

Foi desenvolvido um novo método de deep learning por cientistas do Lawrence Livermore National Laboratory, na Califórnia, EUA. Este método é denominado “Learn-by-Calibrating” e tem como objetivo criar emuladores científicos bastante poderosos que podem ser usados como proxies (servidor intermediário) para simuladores de computação. 

A abordagem deste novo método é baseada na calibração de intervalos, que tem vindo a ser usada para estimar parâmetros de incerteza na construção de deep neural networks. Para além disso, este é um método que consegue recuperar com eficácia o ruído inerente aos dados, sem que haja necessidade de se escolher uma função de perda - isto é, uma função que meça a discrepância entre simulações reais e as previsões que estão a ser obtidas através do modelo.

Figura 1 - Representação esquemática do funcionamento do modelo.

Os investigadores envolvidos neste desenvolvimento perceberam que com o método “Learn-by-Calibrating” conseguem obter modelos preditivos de qualidade bastante alta, visto que estão mais próximos dos dados reais do que os métodos usados anteriormente. Estas conclusões foram obtidas através de testes de vários tipos, que verificassem a aplicabilidade deste novo método, e que acabaram por revelar resultados bastante satisfatórios. Este é um método que pode vir a ser aplicado a diferentes ramos e ser integrado com técnicas já usadas, de forma a simplificar a análise. Para além dos exemplos mencionados na Figura 1, a modelação de dados clínicos de pacientes com Parkinson também é uma possível aplicação.

Este método surgiu da necessidade de um método eficaz na determinação do quão próximos os modelos preditivos estão da realidade física, para que se possa quantificar também a incerteza das mesmas neste laboratório, para os principais temas que tratam (armas, biologia preditiva, etc.). Para além disto, este é um método que consegue lidar com modelos simétricos e assimétricos de ruído, dando robustez a conjuntos de dados menos usuais. Acrescenta-se ainda que com este método não são necessárias redes neuronais tão grandes, usando-se assim menos parâmetros para se obter resultados similares.

Informações mais detalhadas sobre o desenvolvimento do método “Learn-by-Calibrating” e resultado dos testes em: Nature Communications | Designing accurate emulators for scientific processes using calibration-driven deep models

FONTES:

Lawrence Livermore National Laboratory | Lab researchers explore 'learn-by-calibration' approach to deep learning to accurately emulate scientific process

Nature Communications | Designing accurate emulators for scientific processes using calibration-driven deep models