Академический Документы
Профессиональный Документы
Культура Документы
=
+ =
N
j
j ij i i
y w w F
1
(1)
donde la suma se extiende a las N variables de entrada y
j
, w
ij
son los pesos de las conexiones entre
ellas y w
i
es una constante (bias) para el nodo i. Antes de salir del nodo, la funcin lineal F
i
se pasa
por una funcin no-lineal (F
i
), llamada funcin de activacin que, en el presente trabajo, se toma
como una tangente hiperblica. Denominamos sinapsis de la ANN al conjunto de conexiones entre los
nodos, los valores de los pesos w y la funcin .
El entrenamiento de la red neuronal consiste bsicamente en ajustar los valores de w a varios de los
casos de migracin de la vacancia calculados en la seccin anterior. Con este propsito, la tabla con R
ejemplos de configuraciones vs. energas de migracin se divide aleatoriamente en dos partes de
longitudes T y S, tal que R=T+S. La primera parte con T ejemplos se utiliza para ajustar los valores de
w de manera de minimizar la funcin
=
=
T
i
i i
o d
T
f
1
2
) (
1
(2)
donded
i
es la salida deseada y o
i
es la respuesta dada por la ANN. Durante la construccin de la red
neuronal y el ajuste de los pesos, la segunda parte de la tabla con S ejemplos se utiliza para evaluar el
error en la prediccin de casos desconocidos a travs de una funcin g definida en forma similar a la
ec. (2).
En principio, una red neuronal con una sola capa oculta, como la considerada en el presente trabajo,
puede aproximarse tanto como se quiera a cualquier funcin continua, siempre que se elijan
adecuadamente los pesos w, la funcin y el nmero de nodos en dicha capa oculta (teorema de
Cybenko [7]).
El cdigo VANNHICO [8], utilizado en este trabajo, permite incrementar progresivamente el nmero
de nodos de la capa oculta, optimizando los pesos a cada paso a travs de la funcin f y agregando
nuevos nodos de acuerdo al valor de g.
La figura 4 muestra resultados de la correlacin lograda mediante una ANN optimizada para dos de
los saltos analizados: el salto de un tomo de Al desde la subred de Al hacia la de U en UAl
3
(Fig. 4-a)
y el salto de un tomo de Nb en la estructura bcc del Nb (Fig. 4-b). Los dems casos muestran
resultados similares. En cada caso se obtuvo el error relativo medio
( ) R d o d e
R
i
i i i
/ / | | 100
1
=
= (3)
y el coeficiente de correlacin de Pearson [9]
= =
=
> < > <
> < > <
=
R
i
i i
R
i
i i
R
i
i i i i
o o d d
o o d d
r
1
2
1
2
1
) ( ) (
) )( (
(4)
en donde el smbolo <x>significa el valor medio de la variable x. Ambos coeficientes se obtuvieron
sobre todos los R ejemplos calculados. El coeficiente r puede variar entre 1 y 1; si r =1 existe una
relacin directa (cuando la variable independiente aumenta, la variable dependiente lo hace en la
misma proporcin) y si r =1 la relacin es inversa. La situacin ideal, e=0 y r=1, correspondera a
todos los puntos ubicados sobre una recta a 45 grados.
Nahuel Barrios
a) b)
Figura 4: Prediccin de la red neuronal artificial en funcin de la barrera de energa calculada: a) salto
del Al desde la subred de Al hacia la de U en UAl
3
(e =7%, r =0.974) y b) salto del Nb en la
estructura bcc del Nb (e = 11%, r =0.994).
4. CONCLUSIONES
El empleo del modelado por computadora constituye una herramienta complementaria muy importante
del experimento para el estudio del movimiento de los tomos en un slido. La correlacin lograda
para estructuras tan diferentes como un intermetlico y una aleacin desordenada es muy buena. Este
ltimo resultado convierte a la ANN en una herramienta til para reemplazar tcnicas atomsticas ms
elaboradas pero ms costosas. Prximamente, se planea desarrollar un cdigo de simulacin
atomstico que utilice las sinapsis obtenidas para el clculo del transporte de masa mediante la tcnica
de Monte Carlo cintico.
REFERENCIAS
[1] C. M. Bishop, Neuronal networks for pattern recognition; 1995, Clarendon Press, Oxford.
[2] M. I. Pascuet, N. Castin, C. S. Becquart y L. Malerba, Stability and mobility of Cu-vacancy
clusters in FeCu alloys: a computational study based on the use of artificial neural networks for
energy barrier calculations, a publicarse en J ournal of Nuclear Materials.
[3] M. I. Mirandou, S. F. Aric, S. N. Balart y L. M. Gribaudo, Characterization of the interaction
layer in diffusion couples U-7 wt.%Mo/Al 6061 alloy at 550C and 340C. Effect of the U(Mo)
cellular decomposition, Materials Characterization, Vol. 60 (2009), p. 888 -893.
[4] C. O. Smith, Nuclear reactor materials; 1967, Adison-Wesley.
[5] P. R. Alonso, J . R. Fernndez, P. H. Gargano y G. H. Rubiolo, U-Al system: ab-initio and many
body potential approaches, Physica B, Vol. 404 (2009), p. 2851-2853.
[6] J . R. Fernndez, A. M. Monti y G. Simonelli, Potenciales interatmicos tipo EAM para la
aleacin Zr-Nb, Actas de la SAM/CONAMET, 2007, p. 1740-1745.
[7] G. V. Cybenko, Approximation by superpositions of sigmoidal function, Mathematics of
Control, Signals and Systems, Vol. 2 (1989), p. 303-314.
[8] N. Castin y L. Malerba, Calculation of proper energy barriers for atomistic kinetic Monte Carlo
simulations on rigid lattice with chemical and strain field long-range effects using artificial
neural networks, J ournal of Chemical Physics, Vol. 132 (2010), 074507.
[9] D. D. Wackerly, W. Mendenhall y R. L. Scheaffer, Estadstica matemtica con aplicaciones;
2002, Thomson (6ta. Edicin).
AGRADECIMIENTOS
Este trabajo ha sido realizado en el marco del proyecto C057 (UNSAM) y parcialmente financiado por
el proyecto PIP 5062 (CONICET). De manera especial, deseamos agradecer a Nicols Castin por
permitirnos usar el cdigo VANNHICO y por su gran colaboracin.