Resumen: El aprendizaje automático científico (Scientific Machine Learning, SciML) se ha convertido rápidamente en una potente herramienta para abordar los complejos retos que plantean las ecuaciones diferenciales parciales (EDP) en diversos escenarios del mundo real. Este aumento del interés suscita una reevaluación crítica de los métodos numéricos tradicionales, haciendo hincapié en la necesidad de enfoques más eficientes y fiables que integren a la perfección las metodologías basadas en modelos y en datos. Dentro de este panorama en evolución, las redes neuronales informadas por la física (PINN, por sus siglas en inglés) han surgido como innovadores marcos de aprendizaje profundo, mostrando una destreza significativa en la resolución de problemas directos e inversos asociados con EDP no lineales. A pesar de su notable eficacia, la continua evolución de las metodologías de Inteligencia Artificial (IA) introduce varias alternativas convincentes que merecen ser exploradas, en particular para abordar aplicaciones más intrincadas y exigentes. En esta charla, nos adentramos en la intersección dinámica de la IA y SciML, explorando tanto los avances teóricos como los retos prácticos que se encuentran en la vanguardia de esta fascinante amalgama. Navegando por territorios novedosos, pretendemos descubrir oportunidades de sinergia entre las técnicas de IA más avanzadas y SciML, allanando el camino para mejorar las soluciones a los problemas más complejos de la ciencia y la ingeniería.
Referencia – Cuomo, S., Cola, V. S. D., Giampaolo, F., Rozza, G., Raissi, M., Piccialli, F. Scientific Machine Learning through Physics-Informed Neural Networks: Where we are and What’s next. Journal of Scientifc Computing, 2023 Cuomo, S., De Rosa, M., Giampaolo, F., Izzo, S., Di Cola, V. S. (2023). Solving groundwater flow equation using physics-informed neural networks. Computers \& Mathematics with Applications, 145, 106-123. Ascione, G., Cuomo, S. (2022). A sojourn-based approach to semi-Markov Reinforcement Learning. Journal of Scientific Computing, 92(2), 36.
Ponente: Salvatore Cuomo es Profesor Asociado de Análisis Numérico del Dpto. de Matemáticas y Aplicaciones «R. Caccioppoli» (DMA), Universidad de Nápoles Federico II (UNINA), Italia. En 2004 se doctoró en Matemáticas Aplicadas e Informática por la Universidad de Nápoles Federico II, Italia. Ha sido Investigador Visitante Case Western Reserve University en Ohio USA en 2016 y Profesor Visitante en la Universidad de Geociencias, Beijing, China en 2019. Fue uno de los fundadores de Predico S.r.l. (http://www.predico.eu), una innovadora Spin-off académica, que se ocupa de soluciones innovadoras de IA y análisis de datos. Sus intereses de investigación se centran en temas de Matemática Aplicada, más en detalle: i) Problemas de aproximación numérica (teoría, práctica y aplicaciones); ii) Análisis de datos multivariados; iii) Aprendizaje automático científico. Ha participado en varios proyectos de investigación y desarrollo en las áreas de investigación de Computación Científica, Ciencia de Datos, Internet de las Cosas. Es autor de numerosos artículos de investigación (más de 150) en conferencias internacionales y revistas internacionales indexadas en las bases de datos Scopus y WOS.
Grabación: Nuevos enfoques computacionales a través del aprendizaje automático científico