| Engenheiro Físico | Pesquisador em Materiais Sustentáveis e Hidrogênio | Machine Learning | DFT |
Meu nome é Bruno Macedo, estudante de Engenharia Física na UNILA e pesquisador em materiais sustentáveis e inteligência artificial. Tenho experiência em programação, projetos web e simulações científicas, com foco em aprendizado de máquina aplicado à previsão de novos materiais e estudos de armazenamento de hidrogênio via DFT. Atualmente, faço parte do grupo de pesquisa GANEL, dedicado ao estudo de hidrogênio em materiais. De 2020 a 2024, participei do grupo LACA/UNILA, contribuindo em projetos de Machine Learning para séries temporais.
Pesquiso materiais usando cálculos de DFT (Teoria do Funcional da Densidade), Influência de Defeitos Substitucionais nas Propriedades Estruturais, Eletrônicas, Termodinâmicas e de Armazenamento Do Hidreto MgH2. Também aplico Machine Learning para identificar exoplanetas com dados da NASA e prever novos materiais a partir de espectros Raman e DRX do RRUF. Este espaço compartilha meus resultados e insights científicos.
Tenho formação e cursos complementares em áreas como Computação, Programação, Materiais Avançados e Física Teórica. Entre eles, destaco Density Functional Theory (École Polytechnique, França), Machine Learning Foundations (University of Washington, EUA), cursos de Python, Java, C e PHP, além de especializações em materiais funcionais, teoria de cordas e estrutura cristalográfica. Também possuo experiência prática em computação gráfica, desenvolvimento web e uso de VANTs, acumulando mais de 1.500 horas em treinamentos e cursos técnicos.
Recentemente, estou investigando dopagens metálicas no hidreto de magnésio usando DFT para melhorar a eficiência de armazenamento de hidrogênio. Neste post compartilho gráficos, análises e códigos utilizados.
In recent years, materials development has been essential for technological advances in areas such as electronics, aerospace, and automotive. This research aims to evaluate the use of Machine Learning algorithms on data from the RRUFF dataset, which contains 1704 classes and 8950 spectra, divided into two sets: Dataset_1 with 192 classes and 5292 spectra, and Dataset_2 with 1332 classes and 8578 spectra. In the work of (SANG et al., 2021), a 1D CNN was developed for mineral classification from Raman spectra, with superior performance to classical models such as KNN, Decision Tree, Random Forest, and SVM. Comparing the results, the CNN obtained 98.43% accuracy, surpassing KNN (k=1~96.76% and k=5~93.76%), Decision Tree (77.76%), Random Forest (74.60%) and PCA+SVM (linear~97.72% and rbf~86.67%). Initially, we downloaded and preprocessed the data using the python programming language to construct dataset_1 and the baseline as proposed by Dourado Macedo, B. H., & Zalewski, W. (2024)[3].
Abordagens baseadas em técnicas de aprendizado de máquina têm sido propostas na literatura para auxiliar a detecção de exoplanetas por meio do processamento automatizado de curvas de luz. Apesar dos avanços, algoritmos de aprendizado de máquina considerados tradicionais ainda não foram completamente estudados para essa tarefa. Portanto, neste trabalho, define-se um baseline por meio de uma ampla avaliação experimental a respeito de 16 algoritmos em diferentes ajustes de parâmetros. Para atingir esse objetivo, utilizaram-se dados provenientes do telescópio Kepler, totalizando 5302 curvas de luz; cada uma com 60000 registros. Como principal resultado da avaliação experimental, o algoritmo LightGBM apresentou o melhor desempenho, com taxa de 82,92%, em termos de acurácia.
Over the past two decades, advancements in astronomical technology have resulted in a wealth of data from space missions, leading to new insights into celestial phenomena. Automated data processing, particularly in exoplanet detection, is increasingly critical due to the volume of data, prompting calls for more efficient evaluation methods. In this study, we gathered data from the Kepler telescope and carried out an extensive experimental evaluation using 16 machine learning algorithms with varying parameter settings. To analyze the results obtained, we proposed an experimental analysis method aiming to set a baseline for the literature on automatic exoplanet detection.
Estudante de Engenharia Física na UNILA, destaco meu interesse em disciplinas interdisciplinares e aquisição de habilidades diversas. Participei de cursos nos EUA e Brasil, com habilidades em C, PHP e Java, e experiência em projetos web. Minha paixão por pesquisa reflete-se em projetos como "Identificação de Exoplanetas com Aprendizado de Máquina", "Algoritmos De Machine Learning Para Auxiliar Na Predição De Novos Materiais." e "Avaliação de Algoritmos de Machine Learning para Auxiliar na Predição de novos Materiais". Atuei como monitor em disciplinas de Cálculo, Matemática Básica e Física Geral. Recebi prêmio de Melhor Projeto de Extensão em 2023. Atualmente, trabalho no desenvolvimento de IA para detecção de novos materiais. Sou membro do grupo de pesquisa "Mineração de Dados em Séries Temporais" do Laboratório de Computação Aplicada (LACA) na UNILA, participando de projetos relevantes. Meu compromisso é expandir horizontes e contribuir para ciência e tecnologia. Exerci cargos de liderança no Centro Acadêmico de Engenharia Física.