Mercado fechado
  • BOVESPA

    101.866,74
    -947,29 (-0,92%)
     
  • MERVAL

    38.390,84
    +233,89 (+0,61%)
     
  • MXX

    49.737,82
    -58,48 (-0,12%)
     
  • PETROLEO CRU

    66,62
    -3,33 (-4,76%)
     
  • OURO

    1.774,40
    -10,80 (-0,60%)
     
  • BTC-USD

    57.679,72
    -441,73 (-0,76%)
     
  • CMC Crypto 200

    1.471,31
    +28,53 (+1,98%)
     
  • S&P500

    4.567,00
    -88,27 (-1,90%)
     
  • DOW JONES

    34.483,72
    -652,22 (-1,86%)
     
  • FTSE

    7.059,45
    -50,50 (-0,71%)
     
  • HANG SENG

    23.475,26
    -376,98 (-1,58%)
     
  • NIKKEI

    27.821,76
    -462,16 (-1,63%)
     
  • NASDAQ

    16.136,00
    -254,75 (-1,55%)
     
  • BATS 1000 Index

    0,0000
    0,0000 (0,00%)
     
  • EURO/R$

    6,3761
    +0,0469 (+0,74%)
     

Rede neural consegue identificar padrões estruturais em imagens pela 1ª vez

·2 min de leitura

Cientistas da Universidade Lehigh, nos EUA, desenvolveram uma rede neural artificial inédita que consegue detectar semelhanças, padrões e tendências em bancos de dados não estruturados. O sistema de aprendizagem de máquina também é capaz de criar projeções com base em imagens, aprimorando mecanismos de pesquisa.

Essa abordagem pode ser usada para acelerar o processo de descoberta científica, diminuindo o tempo de busca por dados de experimentos anteriores difíceis de serem catalogados, e que acabam se perdendo em meio a quantidade de publicações espalhadas por diversos laboratórios do mundo.

“A imagem é uma ferramentas poderosa para a descoberta científica. Embora a memória humana tenha uma capacidade tremenda de lembrar imagens, não podemos associá-las aos metadados, como data de coleta, propriedades da amostra ou proveniência”, explica o engenheiro Joshua Agar, coautor do estudo.

Uma imagem vale mais

Para comprovar a eficiência da nova ferramenta, os pesquisadores usaram um banco de dados contendo mais de 25 mil imagens de materiais diferentes, coletadas nos últimos cinco anos. Eles desenvolveram e treinaram um modelo computacional, incluindo sistemas sensíveis à simetria para melhorar as projeções.

A equipe conseguiu chegar às projeções empregando uma técnica de redução de dimensionalidade não linear, conhecida como Aproximação e Projeção Uniforme Múltipla (UMAP, na sigla em inglês). Essa abordagem permite o conhecimento da topologia e da estrutura dos dados compactados em duas dimensões.

Esquema da estrutura computacional de similaridade de imagens (Imagem: Reprodução/Lehigh University)
Esquema da estrutura computacional de similaridade de imagens (Imagem: Reprodução/Lehigh University)

A rede formada conseguiu analisar enormes quantidades de informações e dados de experimentos, detectando e codificando padrões relacionados com características multidimensionais. O dispositivo foi capaz de examinar semelhanças em imagens distintas, catalogando-as conforme a dinâmica estrutural.

“Se você treina uma rede neural, o resultado é um vetor ou um conjunto de números, capaz de descrever vários recursos, que ajudam a classificar as coisas para que alguma semelhança seja encontrada. Nossa ferramenta compacta esses vetores em um espaço que pode ser compreendido”, acrescenta Agar.

Rede neural

Os cientistas usaram dois extratores de recursos de imagem baseados em redes neurais para criar o detector de semelhança. O primeiro corresponde a classificadores pré-treinados de imagens aleatórias. Já o segundo, foi desenvolvido para fornecer um dispositivo de reconhecimento por simetria.

Representação do banco de imagens usado nos testes (Imagem: Reprodução/Lehigh University)
Representação do banco de imagens usado nos testes (Imagem: Reprodução/Lehigh University)

Com esse sistema, eles conseguiram catalogar 1 milhão de imagens com estruturas parecidas, alcançando 99% de precisão durante os testes realizados. A correlação das projeções com os metadados — data, nome e tipo de arquivo — foi completamente mantida, preservando as características particulares de cada imagem.

“A rede neural artificial pode ajudar cientistas e pesquisadores a aprender mais sobre a estrutura multidimensional dos materiais. Acoplada a um banco de dados consistente, combinando metadados e sistemas de filtragem, ela pode aumentar a eficiência de experimentos e acelerar o processo de pesquisa”, encerra Joshua Agar.

Fonte: Canaltech

Trending no Canaltech:

Nosso objetivo é criar um lugar seguro e atraente onde usuários possam se conectar uns com os outros baseados em interesses e paixões. Para melhorar a experiência de participantes da comunidade, estamos suspendendo temporariamente os comentários de artigos