Aprendizaje Profundo Informado por la Física

Las PINNs funcionan aproximando la solución de una EDP mediante una red neuronal profunda. La innovación clave reside en definir una función de pérdida que incluye no solo la discrepancia entre las predicciones de la red y los datos observados (si están disponibles), sino también un término que penaliza la violación de la propia EDP. Esto se logra mediante diferenciación automática, donde la salida de la red se diferencia con respecto a sus entradas (por ejemplo, tiempo y coordenadas espaciales) para calcular los términos de la EDP. Al minimizar esta pérdida combinada, la red se entrena para satisfacer tanto los datos como las restricciones físicas.

El marco soporta dos clases principales de problemas: solución basada en datos y descubrimiento basado en datos de EDPs. Para resolver EDPs, las PINNs pueden inferir soluciones incluso con datos escasos aprovechando la estructura de la EDP. Para el descubrimiento, pueden identificar los parámetros de EDPs desconocidas a partir de datos observados. Se presentan dos enfoques algorítmicos distintos: modelos de tiempo continuo, que utilizan puntos de colocación en todo el dominio espaciotemporal para imponer restricciones de EDP, y modelos de tiempo discreto, que aprovechan esquemas de paso de tiempo clásicos como los métodos de Runge-Kutta para construir representaciones de redes neuronales más estructuradas, reduciendo potencialmente la necesidad de puntos de colocación extensos en dimensiones superiores.

Los ejemplos proporcionados incluyen la resolución y el descubrimiento de parámetros para la ecuación de Burgers, la ecuación de Schrödinger, las ecuaciones de Navier-Stokes, la ecuación de Allen-Cahn y la ecuación de Korteweg-de Vries (KdV). Estos ejemplos demuestran la versatilidad de las PINNs para manejar diversos tipos de no linealidades, condiciones de contorno (incluidas soluciones periódicas y de valor complejo) y derivadas de orden superior. La capacidad de recuperar parámetros desconocidos de las EDPs a partir de datos limitados es un avance significativo para el descubrimiento científico y las aplicaciones de ingeniería.

La audiencia objetivo para las PINNs incluye investigadores, ingenieros y científicos de datos que trabajan con sistemas físicos, dinámica de fluidos, ciencia de materiales y cualquier dominio donde las ecuaciones diferenciales jueguen un papel crucial. La propuesta de valor radica en su capacidad para proporcionar soluciones precisas con menos datos, descubrir ecuaciones gobernantes y crear modelos sustitutos diferenciables que puedan ser analizados y optimizados posteriormente.