Banca de DEFESA: Hugo Gontijo Machado

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : Hugo Gontijo Machado
DATA : 28/10/2022
HORA: 14:30
LOCAL: Teams: ID da Reunião: 244 086 638 017
TÍTULO:

O Uso da Inteligência Artificial e Outras Tecnologias na Caracterização de Fenômenos Químicos e Biológicos 

PALAVRAS-CHAVES:

teoria deformada de Arrhenius, cinética química, coeficiente da temperatura Q10, processos biológicos, machine learning, desenvolvimento de software.

PÁGINAS: 88
RESUMO:

Modelos de aprendizagem estatística que utilizam métodos de Machine Learning como o GSA vêm sendo utilizados há décadas na química para diversas tarefas. Munido destas técnicas, nossos grupos de pesquisa têm se dedicado principalmente ao estudo cinético e mecanístico de processos reativos e não reativos aliado ao desenvolvimento de novos modelos e técnicas para realização destas pesquisas. Com o atual aumento da capacidade de processamento dos computadores e com advento de métodos sofisticados de aprendizagem de máquina, como o deep learning, vem se tornando cada vez mais necessário a criação de novas técnicas de análise bem como o desenvolvimento de plataformas e ferramentas que sistematizem essas técnicas. Neste sentido, o presente trabalho realiza três propostas de modelos teóricos que serão apresentadas juntamente ao desenvolvimento de códigos para sua utilização, com interfaces gráficas e intuitivas: 𝑖) propomos aqui o gráfico da transitividade: uma nova perspectiva sob o gráfico de Arrhenius que é capaz de linearizar curvaturas não Arrhenius e assim observar mudanças de regime. Sua aplicação conseguiu linearizar a curvatura do processo de relaxamento do carbonato de propileno e revelou uma quebra do regime na temperatura de 198𝐾, com mudanças nos parâmetros fenomenológicos como a altura de barreira. Além disso, o código Transitivity sistematiza ferramentas desenvolvidas ao longo dos últimos 10 anos para lidar com a cinética de processos não Arrhenius, fornecendo opções para estimativa fenomenológica da constante cinética reacional em fases líquida e gasosa além de realizar ajuste de modelos cinéticos a partir de dados experimentais utilizando o GSA. Como exemplo de sua aplicação, uma publicação sobre a topografia da superfície de energia livre da reação de Claisen-Schmidt foi realizada e será mostrada neste trabalho. 𝑖𝑖) propomos também o modelo generalizado do coeficiente da temperatura 𝑄𝑑10, utilizado para avaliar o grau de dependência de processos biológicos em função da temperatura. O modelo foi aplicado a uma série de processos biológicos presentes na literatura recente e unificou os resultados conflitantes obtidos pelos diferentes pesquisadores: a qualidade dos ajustes reforçou a hipótese inicial de que o coeficiente da temperatura deve ser descrito através de exponenciais deformadas (𝑄𝑑10) ao invés do modelo usual de Arrhenius (𝑄10). Além disso, o modelo padrão 𝑄10 é um caso particular do modelo proposto pois, o mesmo, é recuperado quando o parâmetro deformado é igual a zero, validando assim sua justificativa geral. A interface 𝑄𝑑10 −𝐺𝑆𝐴 foi desenvolvida e estima parâmetros relacionados as formulações de Arrhenius e Aquilanti-Mundim a partir de dados experimentais, traçando assim um paralelo entre o modelo usual 𝑄10 e o modelo aqui proposto 𝑄𝑑10. 𝑖𝑖𝑖) propomos também modelos de deep learning que utilizam redes neurais artificiais e aprendem com um banco de dados espectral, obtido no NIST, para realizar inferências sobre propriedades estruturais de moléculas além de realizar reconstruções dos espectros a partir de caracterizadores moleculares. A CNN ResNet34 e o modelo tabular proposto apresentaram um bom desempenho na classificação de propriedades estruturais moleculares utilizando espectros de infravermelho e espectros de massa, com valores de F1-Score entre 0.83 e 0.88 e acurácias de 96%. Os modelos de reconstrução apresentaram um erro quadrático médio de 0.005 e 0.007 na reconstrução dos espectros de massa e infravermelho, respectivamente. Desta forma, conclui-se que o desenvolvimento destes modelos sugere que redes neurais são adequadas para a busca de novas técnicas de análise espectral e representam um passo no sentido da criação de técnicas de análise autônomas. Por fim, os códigos aqui desenvolvidos apresentam interfaces bastante intuitivas e amigáveis ao usuário no intuito de disseminar os novos conceitos propostos e os autores esperam que também possam ser utilizados como poderosas ferramentas de pesquisa e ferramentas didáticas para o ensino de termodinâmica, cinética de processos e assuntos relacionados.

MEMBROS DA BANCA:
Externo à Instituição - PEDRO GERALDO PASCUTTI - UFRJ
Externo à Instituição - Hamilton Barbosa Napolitano - UEG
Externo à Instituição - Gerd Bruno da Rocha - UFPB
Interno - 1287231 - JOAO BATISTA LOPES MARTINS
Presidente - 123.521.601-20 - KLEBER CARLOS MUNDIM - NÃO INFORMADO