Os problemas inversos costumam aparecer em várias áreas das ciências e engenharias e, de certo modo, consistem em determinar causas desconhecidas a partir de efeitos observados. Alguns exemplos de aplicações de problemas inversos são encontrados em reconstrução/restauração de imagens, engenharia civil e finanças quantitativas. As principais características dos problemas inversos são a não unicidade e a instabilidade de suas soluções. Uma abordagem frequente é utilizar técnicas chamadas de regularização, especialmente a regularização de Tikhonov, uma das mais utilizadas nesses casos. Geralmente, os métodos de regularização estabelecem uma família de operadores parametrizada por um escalar, conhecido como parâmetro de regularização. Uma dificuldade existente nestes métodos é a escolha do parâmetro de regularização adequado que fornece estabilidade e ajuste à solução regularizada. Na literatura, alguns métodos na busca desse parâmetro são utilizados, dentre os quais podemos citar: o princípio da discrepância, validação cruzada generalizada e o método da curva L. Com o acelerado desenvolvimento da Inteligência Artificial, o surgimento de novas técnicas baseadas em redes neurais são aplicadas com sucesso em vários problemas reais. Sendo assim, neste trabalho é proposto a criação de uma nova técnica que utiliza aprendizado profundo para selecionar o melhor parâmetro de regularização. Os resultados mostram que este tipo de abordagem supera as técnicas tradicionais de seleção de parâmetro. Isto representa um avanço na área de seleção de parâmetros. Sendo assim, a abordagem utilizada proporcionou melhorias significativas nos experimentos numéricos utilizados.

Inverse problems tend to appear in various areas of science and engineering and, in a way, consist of determining unknown causes from observed effects. Some examples of applications of inverse problems are found in image reconstruction/restoration, civil engineering and quantitative finance. The main characteristics of inverse problems are the non-uniqueness and instability of their solutions. A common approach is to use techniques called regularization, especially Tikhonov regularization, one of the most used in the cases. Generally, regularization methods establish a family of operators parameterized by a scalar, known as the regularization parameter. A difficulty in these methods is the choice of the appropriate regularization parameter that provides stability and adjustment to the regularized solution. In the literature, some methods are used to search for this parameter, among which we can mention: the discrepancy principle, generalized crossvalidation and the L-curve method. With the accelerated development of Artificial Intelligence, the emergence of new techniques based on neural networks are successfully applied to several real problems. Therefore, this work proposes the creation of a new technique that uses deep learning to select the best regularization parameter. The results show that this type of approach outperforms traditional parameter selection techniques. This represents a step forward in the area of parameter selection. Therefore, the approach used provided significant improvements in the numerical experiments used.