Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.257
Aluna: Manoela Macedo Vieira
Orientador: Prof. Stefan Michael Blawid
Título: A Physics-Informed Graph Neural Network Framework for Modeling Phloem Sucrose Transport
Data: 23/01/2026
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Flavio Arthur Oliveira Santos (UFPE / Centro de Informática)
Prof. Olesya Galkina (CESAR )
Prof. Stefan Michael Blawid (UFPE / Centro de Informática)
RESUMO:
A compreensão dos processos fisiológicos internos das plantas é fundamental para o desenvolvimento de tecnologias de agricultura sustentável. No entanto, esses processos são difíceis de observar diretamente devido a fortes limitações de observabilidade, que restringem a obtenção de medições contínuas e não invasivas de variáveis internas relevantes. Modelos Funcional-Estruturais de Plantas (FSPMs, do inglês Functional-Structural Plant Models) fornecem descrições mecanicistas e fisiologicamente fundamentadas da dinâmica vegetal, mas apresentam elevado custo computacional e dificuldades de calibração ou de adaptação quando os dados experimentais são escassos. Em contraste, modelos puramente orientados por dados oferecem maior eficiência computacional, porém frequentemente carecem de interpretabilidade e podem violar princípios físicos fundamentais. Este trabalho propõe o PhloemPhysGNN, uma rede neural em grafos com incorporação explícita de princípios físicos, desenvolvida para predizer o transporte de sacarose no floema vegetal, assegurando consistência física. A abordagem adotada baseia-se em uma arquitetura modular, na qual uma rede neural em grafos prediz o conteúdo de sacarose em nível nodal a partir de uma representação da planta como grafo, enquanto um módulo dedicado, baseado em leis físicas, calcula o transporte axial de sacarose e as divergências de fluxo. As leis físicas que governam o transporte são incorporadas diretamente à função de perda, permitindo que o modelo aprenda dinâmicas internas fisiologicamente plausíveis. A avaliação do modelo é realizada por meio de um conjunto de dados sintético gerado com o modelo funcional-estrutural CPlantBox, contemplando variabilidade estrutural e múltiplos cenários ambientais. Os resultados experimentais indicam que o PhloemPhysGNN supera significativamente abordagens puramente orientadas por dados em termos de consistência física, especialmente quanto à direcionalidade dos fluxos e à conservação de massa. Além disso, o modelo proposto alcança reduções de várias ordens de magnitude na latência de inferência e no throughput quando comparado ao solucionador numérico do CPlantBox. Esses resultados demonstram que redes neurais em grafos informadas por princípios físicos constituem uma alternativa eficaz e computacionalmente eficiente para a modelagem de processos internos de transporte em plantas sob condições de observabilidade limitada.
Palavras-chave: redes neurais informadas por física; redes neurais em grafos; modelo funcional–estrutural de plantas; transporte de sacarose.
Comentários desativados