{"id":21278,"date":"2023-08-07T02:00:04","date_gmt":"2023-08-07T02:00:04","guid":{"rendered":"https:\/\/domosistemas.com\/?p=21278"},"modified":"2023-08-07T02:00:04","modified_gmt":"2023-08-07T02:00:04","slug":"nuevo-modelo-de-ia-codificado-por-fisica-para-aprender-dinamicas-espaciotemporales","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=21278","title":{"rendered":"Nuevo modelo de IA codificado por f\u00edsica para aprender din\u00e1micas espaciotemporales"},"content":{"rendered":"
\n

La Universidad de la Academia de Ciencias de China (UCAS<\/a>), en colaboraci\u00f3n con la Universidad Renmin de China y el Instituto de Tecnolog\u00eda de Massachusetts (MIT), ha propuesto una red novedosa neuronal convolucional recurrente codificada en f\u00edsica (PeRCNN), para el modelado y descubrimiento de sistemas din\u00e1micos espaciotemporales no lineales basados \u200b\u200ben datos escasos y ruidosos.<\/p>\n

\"Esquema.\"
Curva de propagaci\u00f3n de errores de la predicci\u00f3n y las instant\u00e1neas extrapoladas de cada modelo basado en datos en comparaci\u00f3n con la soluci\u00f3n de referencia.<\/figcaption><\/figure>\n

El enfoque se puede aplicar a una variedad de problemas, como los procesos de reacci\u00f3n-difusi\u00f3n y otros sistemas de ecuaciones diferenciales parciales (PDE), incluido el an\u00e1lisis directo e inverso, el modelado basado en datos y el descubrimiento de PDE. El conocimiento f\u00edsico previo se codifica a la fuerza, lo que le da a la red interpretabilidad.<\/p>\n

En particular, los investigadores propusieron un marco de aprendizaje profundo que codifica por la fuerza una estructura f\u00edsica determinada en una red neuronal convolucional recurrente para facilitar el aprendizaje de la din\u00e1mica espaciotemporal en reg\u00edmenes de datos dispersos.<\/p>\n

Descubrieron que dicho paradigma computacional exhibe alta precisi\u00f3n, solidez, interpretabilidad y generalizaci\u00f3n, y demostraron las capacidades de la arquitectura de red propuesta aplic\u00e1ndola a varias tareas en el modelado cient\u00edfico de la din\u00e1mica espaciotemporal, como los procesos de reacci\u00f3n-difusi\u00f3n.<\/p>\n

Los m\u00e9todos de aprendizaje autom\u00e1tico convencionales tienen que depender de una gran cantidad de datos de entrenamiento y sufren problemas como mala interpretabilidad, generalizaci\u00f3n d\u00e9bil y errores de modelado incontrolables.<\/p>\n

Precisi\u00f3n del modelo<\/h2>\n

Gracias al desarrollo reciente de enfoques basados \u200b\u200ben datos, es posible aprender din\u00e1micas espaciotemporales a partir de datos de medici\u00f3n y, al mismo tiempo, agregar conocimientos f\u00edsicos previos. Seg\u00fan los investigadores, una de las principales ventajas de PeRCNN es que el conocimiento f\u00edsico previo se puede codificar en la red, lo que garantiza que la red resultante obedece estrictamente a la f\u00edsica dada.<\/p>\n

Esto tiene ventajas significativas para mejorar la convergencia y la precisi\u00f3n del modelo. Al codificar la estructura f\u00edsica dada en la red neuronal convolucional recurrente, se mejor\u00f3 el rendimiento del modelado de sistemas din\u00e1micos espaciotemporales basados \u200b\u200ben datos escasos y ruidosos.<\/p>\n

A trav\u00e9s de extensos experimentos num\u00e9ricos, los investigadores demostraron c\u00f3mo se puede aplicar el enfoque propuesto para modelar y descubrir una variedad de procesos de reacci\u00f3n-difusi\u00f3n y otros sistemas de PDE. Al comparar el enfoque propuesto con algunos m\u00e9todos existentes (tambi\u00e9n conocidos como modelos de l\u00ednea de base), encontraron que el enfoque supera constantemente las l\u00edneas de base consideradas bajo diferentes niveles de ruido y riqueza de datos.<\/p>\n

Adem\u00e1s, los investigadores integraron la t\u00e9cnica de regresi\u00f3n dispersa con el modelo PeRCNN para descubrir la forma expl\u00edcita de las PDE. El procedimiento completo consta de tres pasos: reconstrucci\u00f3n de datos, regresi\u00f3n dispersa y ajuste fino de coeficientes.<\/p>\n

Los investigadores esperan que el enfoque, que combina el aprendizaje profundo y su conocimiento f\u00edsico previo, sea aplicable en m\u00faltiples disciplinas, como el tecnol\u00f3gico.<\/p>\n

La entrada Nuevo modelo de IA codificado por f\u00edsica para aprender din\u00e1micas espaciotemporales<\/a> aparece primero en CASADOMO<\/a>.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

La Universidad de la Academia de Ciencias de China (UCAS), en colaboraci\u00f3n con la Universidad Renmin de China y el Instituto de Tecnolog\u00eda de Massachusetts (MIT), ha propuesto una red novedosa neuronal convolucional recurrente codificada en f\u00edsica (PeRCNN), para el modelado y descubrimiento de sistemas din\u00e1micos espaciotemporales no lineales basados \u200b\u200ben datos escasos y ruidosos. … Sigue leyendo Nuevo modelo de IA codificado por f\u00edsica para aprender din\u00e1micas espaciotemporales<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-21278","post","type-post","status-publish","format-standard","hentry","category-casadomo-com"],"_links":{"self":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/21278","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=21278"}],"version-history":[{"count":0,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/21278\/revisions"}],"wp:attachment":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=21278"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=21278"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=21278"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}