Uso da transferência de aprendizado na análise de dados de efeitos destrutivos de ions pesados (SEB)
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2023
Autores
Santos, Júlia Tauane
Orientador
Giacomini, R.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
SANTOS, Júlia Tauane. Uso da transferência de aprendizado na análise de dados de efeitos destrutivos de ions pesados (SEB). 2023. 96 f. Dissertação (Mestrado em Engenharia elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2023. Disponível em: https://doi.org/10.31414/EE.2023.D.131644.
Texto completo (DOI)
Palavras-chave
Transferência de aprendizagem,Radiação ionizante,Inteligência artificial
Resumo
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
This work addresses the methodological contribution of the use of the learning transfer technique applied to a previously used neural network model to classify ions under radioactive effects in transistors. The transfer of learning consists of the use of a machine learning previously applied in each situation or problem, transferring the knowledge to a new classification of a correlated but distinct subject. Its use enables a greater processing capacity in the learning of the neural network and more speed, which become allies in the development of segmentation models of convolutional neural networks. The focus of this research is on the use of the training of a neural network for the classification of the effect of single events (SEE) with a transistor 3N163, being transferred this learning previously obtained to a new classification data of destructive effects of heavy ions (SEB), subclass of the SEE, with a transistor IRLZ34NPbF, therefore, components with different physical characteristics and correlated effects, but distinct. The use of the learning transfer technique in the training of the artificial neural network resulted in an approximate reduction of 67% in processing time, when compared to the DeepConvLSTM neural network trained without the transfer of prior knowledge. This reduction in processing time demonstrates the efficiency and benefit of learning transfer in accelerating model training. In addition, the model trained with the learning transfer technique achieved an accuracy of 99.07% in the trained data over 100 epochs. This high accuracy suggests that the model was able to make correct predictions in most instances during training, evidencing the ability of learning transfer to improve model performance and accuracy
This work addresses the methodological contribution of the use of the learning transfer technique applied to a previously used neural network model to classify ions under radioactive effects in transistors. The transfer of learning consists of the use of a machine learning previously applied in each situation or problem, transferring the knowledge to a new classification of a correlated but distinct subject. Its use enables a greater processing capacity in the learning of the neural network and more speed, which become allies in the development of segmentation models of convolutional neural networks. The focus of this research is on the use of the training of a neural network for the classification of the effect of single events (SEE) with a transistor 3N163, being transferred this learning previously obtained to a new classification data of destructive effects of heavy ions (SEB), subclass of the SEE, with a transistor IRLZ34NPbF, therefore, components with different physical characteristics and correlated effects, but distinct. The use of the learning transfer technique in the training of the artificial neural network resulted in an approximate reduction of 67% in processing time, when compared to the DeepConvLSTM neural network trained without the transfer of prior knowledge. This reduction in processing time demonstrates the efficiency and benefit of learning transfer in accelerating model training. In addition, the model trained with the learning transfer technique achieved an accuracy of 99.07% in the trained data over 100 epochs. This high accuracy suggests that the model was able to make correct predictions in most instances during training, evidencing the ability of learning transfer to improve model performance and accuracy