Aplicações de Aprendizado de Máquina Científico: integração entre métodos numéricos e operadores neurais

O Aprendizado de Máquina Científico busca combinar inteligência artificial com modelos matemáticos e físicos já utilizados pela ciência. A proposta é tornar simulações computacionais mais rápidas e eficientes, reduzindo custos e ampliando a capacidade de resolver problemas complexos em áreas como: energia, meio ambiente, engenharia e exploração do subsolo.  

As aplicações e avanços dessa área serão discutidos no seminário “Aplicações de Aprendizado de Máquina Científico: integração entre métodos numéricos e operadores neurais”, promovido pela Pós-graduação do Laboratório Nacional de Computação Científica (LNCC). O evento será realizado no dia 25 de maio, às 14h, no Auditório A, com transmissão ao vivo pelo YouTube do Laboratório.

A palestra será ministrada por Leonardo Fagundes de Mello, pesquisador de pós-doutorado no LNCC. Durante a apresentação, ele mostrará como técnicas de Aprendizado de Máquina Científico podem ser combinadas a métodos numéricos clássicos para acelerar a solução de problemas inversos e multiescala — desafios computacionais presentes em áreas como geofísica, engenharia e modelagem computacional do subsolo.

Um dos exemplos apresentados será o método CSEM (Eletromagnético Controlado por Fonte), utilizado para investigar características do subsolo. Nesse tipo de aplicação, métodos tradicionais, como Newton e Gauss-Newton, exigem muitas soluções diretas complexas e de alto custo computacional para gerar resultados precisos.

Como alternativa, a palestra propõe o uso de operadores neurais — com destaque para a arquitetura DeepONet — para acelerar o processo de inversão, mantendo o solver numérico convencional como referência para garantir a consistência física das soluções. Também serão apresentadas aplicações de GANs (Redes Adversariais Generativas), utilizadas para criar modelos de resistividade do subsolo e aprimorar as estimativas iniciais dos algoritmos.

Ao final, o seminário discutirá ainda a relação dessas abordagens com os métodos multiescala MHM, indicando como operadores neurais podem substituir ou acelerar solucionadores locais em diferentes aplicações computacionais, com potencial de uso futuro em meios fraturados, armazenamento de carbono e outros problemas industriais complexos.