Pesquisadores da UNIFAL-MG desenvolveram um modelo de aprendizado de máquina. Este modelo, utilizando poucos dados reais, gerou simulações ópticas de filtros. Tais filtros são empregados na captura do sinal de neutrinos.
A solução demonstrou maior precisão e uma velocidade até 700 vezes superior ao método tradicional de simulação. O estudo foi parte do mestrado de Mateus Jesus de Oliveira Rodrigues.
O professor Anibal Thiago Bezerra orientou o trabalho, realizado junto ao Programa de Pós-Graduação em Física (PPGF). A pesquisa colabora com o experimento internacional DUNE (Deep Underground Neutrino Experiment).
A UNIFAL-MG é uma das instituições brasileiras participantes do experimento DUNE. O título da pesquisa é “Aprendizado de máquina na detecção de neutrinos em supernovas”.
Um desafio inicial foi a escassez de dados. Havia poucas curvas reais disponíveis para o treinamento do modelo. Segundo Anibal Bezerra, sistemas de aprendizado de máquina geralmente demandam grande volume de dados.
Para superar a limitação de dados, o modelo foi treinado em duas etapas. Primeiramente, foram utilizadas 500 curvas geradas pelo método convencional, o TMM (Transfer Matrix Method).
O TMM emprega equações da física para descrever a passagem da luz pelos filtros. Essas curvas não replicam fielmente a resposta óptica do filtro real, mas fornecem uma base para o aprendizado do modelo.
Em seguida, medições reais foram introduzidas para calibrar essa base. Isso permitiu que a inteligência artificial identificasse detalhes não presentes no modelo matemático (TMM).
A equipe também integrou princípios da física ao modelo, denominado CPIGAN (Conditional Physics Informed Generative Adversarial Networks). “A parte ‘physics informed’ salienta o fato de ensinarmos a física por trás da resposta óptica aos modelos generativos adversariais condicionais, as CGANs”, explica Anibal Bezerra.
De acordo com informações da Unifal, os filtros ópticos são compostos por camadas de materiais distintos. Empilhados, eles filtram a luz incidente, permitindo a passagem de comprimentos de onda específicos.
Essa filtragem rigorosa permite que os filtros atuem como “porta de entrada” para as ARAPUCAS. As ARAPUCAS são armadilhas projetadas para capturar o brilho dos neutrinos.
Convencionalmente, a simulação desses componentes é realizada pelo TMM. No entanto, o professor explica que este método é uma aproximação.
“O método trata as interfaces entre os materiais como sendo perfeitas, seria o análogo ótico para o ‘ignore o atrito’ nos problemas de mecânica”, argumenta Anibal Bezerra. O CPIGAN é uma rede neural que reproduz resultados de transmissão óptica de filtros reais.
Aumento na velocidade de obtenção das curvas de transmissão
“Adicionalmente, são modelos muito mais rápidos computacionalmente que os TMM. Mostramos um aumento na velocidade de obtenção das curvas de transmissão de mais de 700 vezes ao compararmos as CPIGAN com o TMM”, enfatiza Anibal Bezerra. O pesquisador descreve o trabalho como física básica.
O objetivo é desenvolver técnicas aplicáveis na criação de dispositivos. “Acreditamos que seja um trabalho bastante relevante para a engenharia de dispositivos óticos, com diversas aplicações na sociedade”, afirma o pesquisador.
“Desenhamos um procedimento de aprendizado de máquina que pode ser estendido para outros tipos de dispositivos e propriedades com aplicações diretas na indústria óptica, por exemplo”, ressalta Anibal Bezerra. Os próximos passos da pesquisa já estão em andamento.
A equipe busca desenvolver um modelo mais geral. Este modelo será capaz de aprender as propriedades de dispositivos com diferentes números de camadas de materiais. “É um trabalho desafiador, para o qual já estamos obtendo alguns resultados bastante interessantes”, compartilha o pesquisador.
A pesquisa recebeu apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). Este apoio se deu através da concessão de bolsa de mestrado ao discente Mateus Rodrigues.