5.10. Física Computacional y Basada en Datos (CDP)

5.10. Física Computacional y Basada en Datos (CDP)

Este área de conocimiento se centra en la intersección del análisis numérico, la computación de alto rendimiento y la ciencia de datos moderna. Proporciona a los físicos las herramientas para simular sistemas que carecen de soluciones analíticas y para extraer leyes fundamentales de conjuntos masivos de datos mediante el aprendizaje automático y la inferencia estadística.

Tabla 5.10: Lista de KUs del área de Física Computacional y Basada en Datos.

5.10.1. CDP/Métodos Numéricos para Ecuaciones Diferenciales en Física  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Aproximaciones discretas para resolver las ecuaciones fundamentales de movimiento y teorías de campos.
Temas:
Core

  • Métodos de Runge-Kutta (RK2, RK4) para problemas de valor inicial
  • Diferencias Finitas en el Dominio del Tiempo (FDTD) para las ecuaciones de Maxwell
  • Problemas de valor en la frontera: Métodos de disparo y técnicas de relajación
  • Integradores simplécticos: Algoritmos de Verlet y leapfrog para sistemas Hamiltonianos
  • Análisis de estabilidad y la condición de Courant-Friedrichs-Lewy (CFL)
  • Método de Elementos Finitos (FEM) para geometrías complejas en elasticidad y flujo de fluidos

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar un algoritmo de Verlet de velocidad para simular un oscilador armónico 1D [Usar]
  2. Evaluar la escala de los errores de discretización para diferentes órdenes de integración numérica [Evaluar]
  3. Resolver la ecuación de Laplace en 2D para un conjunto dado de potenciales de frontera mediante la iteración de Jacobi [Usar]

5.10.2. CDP/Métodos y Simulaciones de Monte Carlo  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Técnicas de muestreo estocástico para la integración multidimensional y la física estadística.
Temas:
Core

  • Algoritmos de generación de números pseudoaleatorios y cuasialeatorios
  • El algoritmo de Metropolis-Hastings para Monte Carlo por Cadenas de Markov (MCMC)
  • Simulación de Monte Carlo del modelo de Ising y transiciones de fase
  • Muestreo por importancia y técnicas de reducción de varianza
  • Monte Carlo Cinético (KMC) para procesos estocásticos dependientes del tiempo
  • Estimación de error estadístico y tiempo de autocorrelación en cadenas MCMC

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Estimar el valor de \(\pi\) utilizando un método de integración de Monte Carlo de acierto o error [Usar]
  2. Analizar el efecto del ralentizamiento crítico cerca de la temperatura de Curie en una simulación de Ising [Evaluar]
  3. Desarrollar un esquema de muestreo por importancia para integrar una función multidimensional con picos pronunciados [Usar]

5.10.3. CDP/Computación de Alto Rendimiento (HPC) para Simulaciones a Gran Escala  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Arquitecturas y modelos de programación para la paralelización masiva de código de física.
Temas:
Core

  • Programación de memoria compartida mediante directivas OpenMP
  • Sistemas de memoria distribuida y la Interfaz de Paso de Mensajes (MPI)
  • Aceleración por GPU y modelos de programación GPGPU (CUDA, OpenCL)
  • Análisis de escalabilidad: Ley de Amdahl y Ley de Gustafson
  • Métodos de descomposición de dominio para la paralelización de mallas espaciales
  • Optimización para la localidad de caché y límites de ancho de banda de memoria

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Paralelizar una adición de vectores a gran escala utilizando sincronización de hilos OpenMP [Usar]
  2. Medir la aceleración (speedup) y la eficiencia paralela de un código en múltiples nodos de cómputo [Evaluar]
  3. Implementar comunicación MPI no bloqueante para un intercambio de celdas fantasma en una simulación de fluidos [Usar]

5.10.4. CDP/Aprendizaje Automático para el Descubrimiento Físico  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

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
  • Ingeniería de características físicas y reducción dimensional
  • Regresión por Procesos Gaussianos para modelado subrogado consciente de la incertidumbre
  • Regresión simbólica para el descubrimiento de leyes físicas analíticas a partir de datos
  • Métodos de kernel para la aproximación de estados cuánticos de muchos cuerpos

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Entrenar un modelo de regresión para predecir la superficie de energía potencial de una molécula [Usar]
  2. Evaluar el sobreajuste (overfitting) del modelo mediante validación cruzada en un conjunto de datos espectroscópicos [Evaluar]
  3. Aplicar Análisis de Componentes Principales (PCA) para visualizar configuraciones de espín de alta dimensión [Usar]

5.10.5. CDP/Análisis de Datos y Cuantificación de la Incertidumbre  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Marcos estadísticos para la validación de modelos y la cuantificación de errores experimentales.
Temas:
Core

  • Inferencia bayesiana: Priores, verosimilitudes y distribuciones a posteriori
  • Estimación de Máxima Verosimilitud (MLE) para el ajuste de parámetros
  • Propagación lineal y no lineal de incertidumbres experimentales
  • Técnicas de remuestreo: Métodos de Bootstrapping y Jackknife
  • Criterios de selección de modelos: AIC, BIC y razones de evidencia
  • Análisis de sensibilidad global e índices de Sobol

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Realizar un ajuste de parámetros bayesiano para un conjunto de datos de desintegración radiactiva [Usar]
  2. Calcular intervalos de confianza para una constante física derivada de mediciones ruidosas [Evaluar]
  3. Calcular la matriz de Información de Fisher para determinar los límites de precisión de una estimación de parámetros [Usar]

5.10.6. CDP/Modelado de Sistemas Adaptativos Complejos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Dinámica de sistemas con comportamiento emergente e interacciones no lineales.
Temas:
Core

  • Modelado basado en agentes (ABM) para sistemas sociales y biológicos
  • Ciencia de redes: Dinámica de redes de mundo pequeño y libres de escala
  • Criticidad autoorganizada (SOC) y distribuciones de ley de potencia
  • Autómatas celulares: Juego de la Vida y modelos de flujo de fluidos (LBM)
  • Sincronización colectiva y el modelo de Kuramoto

Electivo

  • Teoría de juegos evolutiva y estabilidad ecológica

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Simular el flujo de un fluido en 2D alrededor de un obstáculo mediante el método de Lattice Boltzmann [Usar]
  2. Analizar la robustez de una red libre de escala frente a ataques dirigidos [Evaluar]
  3. Modelar una pila de arena para demostrar los principios de la criticidad autoorganizada [Usar]

5.10.7. CDP/Redes Neuronales para Sistemas Cuánticos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Representación y resolución de problemas cuánticos de muchos cuerpos mediante redes neuronales artificiales.
Temas:
Core

  • Máquinas de Boltzmann Restringidas (RBM) como Estados Cuánticos Neuronales (NQS)
  • Monte Carlo Variacional utilizando funciones de onda de prueba de redes neuronales
  • Tomografía de estado cuántico basada en redes neuronales
  • CNNs para identificar fases topológicas en redes de espín
  • Autoencoders para comprimir datos de funciones de onda de muchos cuerpos

Electivo

  • Modelos generativos (GANs, VAEs) para el muestreo de configuraciones cuánticas

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Entrenar una RBM para aproximar el estado fundamental de una cadena de Ising de campo transversal [Usar]
  2. Comparar la precisión de los Estados Cuánticos Neuronales frente a los métodos tradicionales de Hartree-Fock [Evaluar]
  3. Reconstruir una matriz de densidad a partir de datos de medición experimentales utilizando una red neuronal [Usar]

5.10.8. CDP/Redes Neuronales Informadas por la Física (PINNs)  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Integración de leyes físicas directamente en las funciones de pérdida de arquitecturas de aprendizaje profundo.
Temas:
Core

  • Incorporación de PDEs como residuales en las funciones de pérdida de redes neuronales
  • Aprovechamiento de la diferenciación automática para restricciones de derivadas exactas
  • Aprendizaje eficiente en datos: Resolución de problemas inversos con datos escasos
  • Aplicación de PINNs a las ecuaciones de Navier-Stokes
  • PINNs bayesianas para la cuantificación de la incertidumbre en soluciones de PDE

Electivo

  • Introducción a los Operadores Neuronales (DeepONet) para PDEs paramétricas

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Resolver la ecuación de Burgers 1D utilizando una arquitectura PINN [Usar]
  2. Comparar el coste computacional y la precisión de una PINN frente a un resolvedor tradicional de Elementos Finitos [Evaluar]
  3. Usar una PINN para estimar el coeficiente de viscosidad de un fluido a partir de datos de visualización de flujo [Usar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono