Uso da transferência de aprendizado na análise de dados de efeitos destrutivos de ions pesados (SEB)

• Ano de defesa: 2023
• Autor(a) principal: Santos, Júlia Tauane
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: Transferência de aprendizagem; Radiação ionizante; Inteligência artificial
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/5096; https://doi.org/10.31414/EE.2023.D.131644

Este trabalho, aborda a contribuição metodológica do uso da técnica de transferência de aprendizado aplicada a um modelo de rede neural previamente utilizado, a fim de classificar íons sob efeitos radioativos em transistores. A transferência de aprendizado consiste na utilização de um aprendizado de máquina aplicado anteriormente em determinada situação ou problema, transferindo o conhecimento para uma nova classificação de um assunto correlacionado, porém distinto. A sua utilização viabiliza uma maior capacidade de processamento no aprendizado da rede neural e mais rapidez, que se tornam aliados no desenvolvimento de modelos de segmentação de redes neurais convolucionais. O foco desta pesquisa está na utilização do treinamento de uma rede neural para a classificação de efeito de eventos únicos (SEE) com um transistor 3N163, sendo transferido esse aprendizado obtido anteriormente para uma nova classificação dados de efeitos destrutivos de íons pesados (SEB), subclasse do SEE, com um transistor IRLZ34NPbF, portanto, componentes com características físicas diferentes e efeitos correlacionados, porém distintos. A utilização da técnica de transferência de aprendizado no treinamento da rede neural artificial resultou em uma redução aproximada de 67% no tempo de processamento, quando comparada à rede neural DeepConvLSTM treinada sem a transferência de conhecimento prévio. Essa redução no tempo de processamento demonstra a eficiência e o benefício da transferência de aprendizado na aceleração do treinamento do modelo. Além disso, o modelo treinado com a técnica de transferência de aprendizado alcançou uma precisão de 99,07% nos dados treinados ao longo de 100 épocas. Essa alta precisão sugere que o modelo foi capaz de fazer previsões corretas na maioria das instâncias durante o treinamento, evidenciando a capacidade da transferência de aprendizado em melhorar o desempenho e a acurácia do modelo