Pesquisador do LNCC é coautor de artigo aceito na NeurIPS 2025, uma das mais prestigiadas conferências de inteligência artificial do mundo
Compartilhe: Compartilhe por Facebook Compartilhe por Twitter Compartilhe por LinkedIn Compartilhe por WhatsApp link para Copiar para área de transferência
Publicado em
23/09/2025 10h09
Atualizado em 23/09/2025 10h56
Numa arquitetura neuro-espectral como a da NeuSA, as condições iniciais são projetadas em coeficientes espectrais que, separados por frequência, evoluem no tempo por meio de uma neural ODE. A variável espacial é representada pelas funções de base espectral. No instante futuro desejado, coeficientes e bases são recombinados para gerar a solução final.
Lucas dos Santos Fernandez, pesquisador do Laboratório Nacional de Computação Científica (LNCC/MCTI), é coautor de um artigo aceito para apresentação na NeurIPS 2025 (Conference on Neural Information Processing Systems), uma das principais conferências internacionais nas áreas de inteligência artificial, aprendizado de máquina e neurociência computacional.
O trabalho introduz NeuSA (Neuro-Spectral Architectures), uma nova classe de redes neurais informadas pela física (Physics-Informed Neural Networks – PINNs), baseada em métodos espectrais clássicos e projetada para resolver equações diferenciais parciais (EDPs), tanto lineares quanto não lineares, com coeficientes variáveis.
Na imagem à esquerda, comparamos as previsões de vários modelos para um problema de propagação de onda em geofísica acústica. As linhas tracejadas representam as descontinuidades de um meio heterogêneo estratificado de três camadas com velocidade verticalmente crescente. A evolução do erro L2 relativo durante o treinamento é mostrada na imagem da direita. NeuSA converge de forma mais rápida e consistente, exigindo menos etapas de treinamento em comparação com as abordagens existentes.
A abordagem propõe o aprendizado de uma projeção da equação diferencial em uma base espectral, resultando em uma representação de dimensão finita da dinâmica do sistema. Essa representação é então integrada a uma versão adaptada de uma Neural Ordinary Differential Equation (NODE), o que permite: superar o viés espectral, aproveitando componentes de alta frequência obtidos pela projeção espectral; impor causalidade, herdada da estrutura temporal das NODEs; e iniciar o treinamento próximo da solução esperada, por meio de um esquema de inicialização inspirado em métodos clássicos.
NeuSA foi validado em diversos benchmarks, demonstrando desempenho superior a outras arquiteturas, com convergência mais rápida, maior consistência temporal e melhor precisão preditiva.
Resultados de extrapolação para a equação de Burgers. À esquerda, nota-se que as soluções obtidas por QRes e PINNs degradam significativamente fora do regime de treinamento, enquanto NeuSA preserva o comportamento qualitativo da solução de referência (obtida via método numérico clássico). À direita, observa-se que a abordagem baseada em NeuSA supera as demais metodologias em capacidade de extrapolação.
A versão atual do artigo está disponível no arXiv: https://arxiv.org/abs/2509.04966
Além de Lucas dos Santos Fernandez (LNCC), o trabalho conta com a coautoria de: Arthur Bizzi (EPFL), Leonardo M. Moreira (UERJ), Márcio Marques (IMPA), Leonardo Mendonça (IMPA), Christian Oliveira (IMPA), Vitor Balestro (IMPA), Daniel Yukimura (IMPA), Pavel Petrov (IMPA), João M. Pereira (University of Georgia), Tiago Novello (IMPA) e Lucas Nissenbaum (IMPA).
A edição de 2025 da NeurIPS contabilizou 21.575 submissões de artigos válidas, das quais o comitê do programa aceitou 5.290 (24,52%) artigos. A conferência será realizada de 30 de novembro a 7 de dezembro de 2025 em San Diego, Califórnia, nos Estados Unidos..
Saiba mais: https://neurips.cc/
Serviço de Comunicação Institucional
secin@lncc.br
Categoria Ciência e Tecnologia
