Rede neural auto-configurada para assimilação de dados usando FPGA para a circulação oceânica

• Ano de defesa: 2017
• Autor(a) principal: Sabrina Bergoch Monteiro Sambatti
• Orientador(a): Haroldo Fraga de Campos Velho, Andrea Schwertner Charão
• Banca de defesa: Rosangela Saher Correa Cintra, Eduardo Rocha Rodrigues, Eduardo Marques
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Computação Aplicada
• País: BR
• Resumo em Inglês: Physical processes can be mathematically represented by differential equations, but there is a gap from the real process. With the incorporation of observational information to the model state, the simulation error can be reduced. Data Assimilation (DA) is the schemes of combining observational data with data from a mathematical prediction model, computing the initial condition (analysis) for the dynamical system. Here, an Artificial Neural Network (ANN) is designed to emulate Kalman filter, with reduction of the computational effort. An automatic approach to identify the best configuration for the ANN is adopted. This issue is formulated as an optimization problem, solved by a new metaheuristic: Multiple Particles Collision Algorithm (MPCA). The optimal ANN designed for data assimilation is implemented on FPGA (Field-Programmable Gate Array), a hardware device used as a co-processor. Two dynamical systems are used to test the framework: the wave 1D equation, and the 2D shallow water equations. The shallow water system is prepared to simulate oceanic circulation. For both systems, the ANN was effective, with reduction of processing time. The use of FPGA as a co-processor for data assimilation has a similar performance than analysis calculated by software.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m21b/2017/06.26.23.06

Processos físicos podem ser matematicamente representados por equações diferenciais, mas há uma lacuna entre a representação matemática e o processo real. Com a fusão da informação observacional com os dados do modelo, o erro de simulação pode ser atenuado. Esquemas de combinação de dados observacionais com dados de um modelo de predição matemática são conhecidos como Assimilação de Dados (DA), calculando a condição inicial (análise) para um sistema dinâmico. Várias técnicas são empregadas na assimilação de dados, como: Filtro de Kalman, filtro de partículas e métodos variacionais, que são os mais pesquisados. No entanto, os métodos mencionados demandam por computação intensiva. Neste trabalho, uma Rede Neural Artificial (RNA) é projetada para emular o filtro de Kalman, com redução do esforço computacional. Geralmente, um especialista em redes neurais encontra uma arquitetura adequada após um longo trabalho empírico. Neste trabalho é adotada uma abordagem automática para identificar a melhor arquitetura para a RNA. Essa identificação é formulada como um problema de otimização, resolvido por uma nova metaheurística: Algoritmo de Colisão de Partículas Múltiplas (MPCA). A RNA ideal projetada para assimilação de dados é implementada em software e em FPGA (Field- Programmable Gate Array), um dispositivo de hardware usado como co-processador. O FPGA é o processador neural aplicado para a computação da condição inicial do modelo dinâmico. Dois sistemas dinâmicos são usados para testar a metodologia: a equação de onda 1D e as equações de água rasa 2D. O sistema de águas rasas está preparado para simular a circulação oceânica. Para ambos os sistemas, a RNA foi eficaz, com redução do tempo de processamento. A utilização de FPGA como co-processador para assimilação de dados tem um desempenho semelhante ao da análise calculada por software.