Machine learning científico

Cuando se abordan problemas de aprendizaje supervisado en un contexto para el cual existe un modelo científico, puede ocurrir que los modelos violen las restricciones establecidas por los dichos modelos científicos, por ejemplo en campos como mecánica de fluidos y modelos climatológicos. Por otro lado, a menudo no se cuenta con la cantidad de datos necesaria para aplicar las técnicas de ML más populares como el Deep Learning.

En esta plática expondremos dos poderosos frameworks, recientemente desarrollados, de Machine Learning informados por ciencia: Physics-Informed Neural Networks y Physics-Constrained Neural Networks. Estos frameworks nos permiten aminorar los problemas descritos anteriormente, obligando o motivando a los modelos de ML a obedecer las leyes científicas a través de su inclusión en la estructura de la red o en la función de pérdida de la misma. Expondremos brevemente la teoría general detrás de estos frameworks así como un ejemplo práctico con datos reales, y hablaremos de las limitaciones y posibles futuros avances en el campo.