3.11.3 CDP/Aprendizaje Automático para el Descubrimiento Físico

Aplicación del aprendizaje estadístico para identificar patrones y modelos subrogados en los datos.
Temas:
Core

• Aprendizaje supervisado: Regresión lineal, Lasso y Ridge para modelos físicos
• Aprendizaje no supervisado: Clustering y PCA para la detección de transiciones de fase
• Regresión por Procesos Gaussianos para modelado subrogado consciente de la incertidumbre
• Regresión simbólica para el descubrimiento de leyes físicas analíticas a partir de datos
• Redes Neuronales Informadas por la Física (PINNs): incorporación de restricciones de EDP en la función de pérdida de redes neuronales

Aprendizaje esperado (Learning Outcomes):
Core:

1. Explicar cómo se pueden codificar las restricciones físicas en la función de pérdida de una red neuronal [Familiarizarse]
2. Entrenar un modelo de regresión o de Procesos Gaussianos para predecir una cantidad física y cuantificar la incertidumbre [Usar]
3. Evaluar y comparar modelos sustitutos basados en datos con solucionadores numéricos tradicionales en cuanto a precisión y costo computacional [Evaluar]