BEGIN:VCALENDAR VERSION:2.0 PRODID:-//linuxsoftware.nz//NONSGML Joyous v1.4//EN BEGIN:VEVENT SUMMARY:Learning Reduced Nonlinear Plasma Models from Data DTSTART:20241204T120000Z DTEND:20241204T140000Z DTSTAMP:20260412T223043Z UID:a1072b12-bf85-47bf-85c7-c8beba343836 SEQUENCE:2 CREATED:20241203T094752Z DESCRIPTION: Esta tese explora o uso de técnicas de Machine Learning (ML) \, com particular destaque para Sparse Regression (SR)\, visando a obtenç ão de modelos reduzidos\, não lineares e interpretáveis de plasmas\, ob tidos a partir de dados de simulações Particle-In-Cell (PIC) de primeiro s princípios.Para uma familiarização inicial com a técnica de SR\, as suas vantagens e limitações\, esta é primeiro aplicada aos dados da ins tabilidade de dois fluxos de eletrões. Dá-se particular ênfase à impor tância de utilizar uma formulação integral de SR para lidar com dados i ntrinsecamente ruidosos provenientes de estatísticas de partículas finit as.Em seguida\, a técnica de SR é aplicada ao estudo das dinâmicas não lineares acústicas de iões em palsmas\, usando simulações PIC para si mular a evolução do plasma. Em particular\, SR é empregue para recupera r a equação do momento dos iões a partir dos dados destas simulações sob diferentes condições. Motivada pelos resultados sobre ondas acústic as de iões\, a técnica de SR é então aplicada para recuperar a equaç ão de Korteweg-de Vries (KdV)\, tanto em dados gerados diretamente a part ir das soluções analíticas como a partir de simulações PIC de primeir os princípios\, totalmente cinéticas. Mostra-se que em regimes fracament e não lineares\, para a equação de KdV\, mesmo níveis muito baixos de ruído impõem fortes limitações à recuperação de derivadas de ordem superior. Estes resultados têm importantes implicações para futuras apl icaões de SR na descoberta de modelos não lineares reduzidos a partir de dados. Estas implicações e as direções de investigação futuras são discutidas. LAST-MODIFIED:20241203T094838Z LOCATION:Sala de Formação Avançada do DF (Sala 2-8.11 - 2º Piso do Pav ilhão de Física) URL:http://df.vps.tecnico.ulisboa.pt/pt/eventos/learning-reduced-nonlinear -plasma-models-from-data/ X-ALT-DESC;FMTTYPE=text/html:

Esta tese explora o uso de técnicas de Machine Learning (ML)\, com particular destaque para Sparse Regression (SR)\, visando a obtenção de modelos reduzidos\, não lineares e interpretáveis de plasmas\, obtidos a partir de dados de simu lações Particle-In-Cell (PIC) de primeiros princípios.

Para uma familiarização inicial com a técnica de SR\, as suas vantagens e limitações\, esta é primeiro aplicada aos dad os da instabilidade de dois fluxos de eletrões. Dá-se particular ênfase à importância de utilizar uma formulação integral de SR para lidar co m dados intrinsecamente ruidosos provenientes de estatísticas de partícu las finitas.

Em seguida\, a técnic a de SR é aplicada ao estudo das dinâmicas não lineares acústicas de i ões em palsmas\, usando simulações PIC para simular a evolução do pla sma. Em particular\, SR é empregue para recuperar a equação do momento dos iões a partir dos dados destas simulações sob diferentes condiçõe s.

Motivada pelos resultados sobre ondas acústicas de iões\, a técnica de SR é então aplicada para recu perar a equação de Korteweg-de Vries (KdV)\, tanto em dados gerados dire tamente a partir das soluções analíticas como a partir de simulações PIC de primeiros princípios\, totalmente cinéticas. Mostra-se que em reg imes fracamente não lineares\, para a equação de KdV\, mesmo níveis mu ito baixos de ruído impõem fortes limitações à recuperação de deriv adas de ordem superior. Estes resultados têm importantes implicações pa ra futuras aplicaões de SR na descoberta de modelos não lineares reduzid os a partir de dados. Estas implicações e as direções de investigaçã o futuras são discutidas.

END:VEVENT END:VCALENDAR