Definição inicial de um sistema de provas rotulado para lógicas do conhecimento

Lógicas modais têm sido amplamente utilizadas em Ciência da Computação e inteligência artificial. Além disso, aplicações de lógicas modais na representação do conhecimento em sistemas distribuídos e, mais recentemente, em sistemas multiagentes, têm apresentado resultados promissores. No entanto, outros sistemas de prova para estas lógicas que não os sistemas axiomáticos à la Hilbert são raros na literatura. Este trabalho tem como objetivo principal preencher esta lacuna existente na literatura, ao propor um sistema de prova por dedução natural rotulada para lógicas do conhecimento.

Uma nova assinatura para glueballs

A representação de Fock-Tani é um formalismo de teoria de campos para tratar problemas envolvendo simultaneamente partículas compostas e seus constituintes. O formalismo foi originalmente desenvolvido para tratar problemas de física atômica e mais tarde estendido para problemas da física hadrônica. Nesta dissertação, inicialmente apresentamos uma revisão da Cromo dinâmica Quântica e dos modelos de quarks e de glúons constituintes. Revisamos também a representação de Fock-Tani para mésons e buscamos estendê-Ia para estados exóticos, mais precisamente para glueballs. Neste formalismo uma mudança de representação é implementada através de um operador unitário, tal que estados de glueballs no espaço de Fock, compostos por um par glúon-glúon, sejam descritos em termos de operadores de campo de glueballs elementares em um espaço de Hilbert estendido. A aplicação do operador unitário a um Hamiltoniano microscópico de gluons leva a um Hamiltoniano efetivo que descreve todos os possíveis processos envolvendo glúons e glueballs. Esse Hamiltoniano efetivo é utilizado para estudar as interações entre glueballs à baixa energia em um modelo de glúons constituintes, que interagem através da troca de um glúon virtual e são confinados por um potencial fenomenológico O méson J?C = 0++ pode ser descrito de duas formas completamente diferentes. Na primeira forma ele é descrito da maneira usual como sendo composto por um par qq. Na segunda abordagem este mesmo méson é descrito como sendo constituido por dois glúons (glueball). Também estudamos nesta dissertação o méson 2++ no mesmo contexto. Os resultados obtidos nesta dissertação indicam que o méson qq precisaria ter um raio quase igual ao dobro do respectivo raio do glueball para que suas seções de choque de espalhamento elástico fossem equivalentes. As diferenças acentuadas encontradas nas seções de choque de espalhamento elástico méson-méson e glueball-glueball, podem ser interpretadas como uma nova assinatura de glueballs.

Aspectos matemáticos do problema de aprendizagem em inteligência artificial

O objetivo deste trabalho é apresentar a base teórica para o problema de aprendizagem através de exemplos conforme as ref. [14], [15] e [16]. Aprender através de exemplos pode ser examinado como o problema de regressão da aproximação de uma função multivaluada sobre um conjunto de dados esparsos. Tal problema não é bem posto e a maneira clássica de resolvê-lo é através da teoria de regularização. A teoria de regularização clássica, como será considerada aqui, formula este problema de regressão como o problema variacional de achar a função f que minimiza o funcional Q[f] = 1 n n Xi=1 (yi ¡ f(xi))2 + ¸kfk2 K; onde kfk2 K é a norma em um espa»co de Hilbert especial que chamaremos de Núcleo Reprodutivo (Reproducing Kernel Hilbert Spaces), ou somente RKHS, IH definido pela função positiva K, o número de pontos do exemplo n e o parâmetro de regularização ¸. Sob condições gerais a solução da equação é dada por f(x) = n Xi=1 ciK(x; xi): A teoria apresentada neste trabalho é na verdade a fundamentação para uma teoria mais geral que justfica os funcionais regularizados para a aprendizagem através de um conjunto infinito de dados e pode ser usada para estender consideravelmente a estrutura clássica a regularização, combinando efetivamente uma perspectiva de análise funcional com modernos avanços em Teoria de Probabilidade e Estatística.