Material del curso Aprendizaje Profundo Basado en la Física#
Autor: Dr. José I. Robledo - página personal
E-mail: jose.robledo@ib.edu.ar
Introducción#
En la intersección de la física y la inteligencia artificial, surge un campo de estudio que promete revolucionar nuestra comprensión y capacidad de modelar fenómenos complejos: el aprendizaje profundo basado en la física. Este libro de apuntes está diseñado para guiar en español a estudiantes de grado y posgrado de física, ingeniería y disciplinas afines a través de este emergente ámbito de estudio. A medida que avanzamos hacia una era donde los modelos computacionales se vuelven cada vez más sofisticados, la integración de principios físicos en el aprendizaje profundo ofrece un enfoque poderoso para abordar problemas que antes parecían intratables.
El contenido de este libro se estructura en siete módulos diseñados para proporcionar una comprensión integral del aprendizaje profundo y su aplicación en contextos físicos. Comenzamos con una introducción a los fundamentos de la inteligencia artificial y el aprendizaje profundo, explorando desde los conceptos básicos del aprendizaje automático hasta la implementación de redes neuronales utilizando la popular librería PyTorch. Este primer módulo sienta las bases necesarias para comprender los desarrollos más avanzados que se presentan en los módulos posteriores.
A medida que avanzamos, nos adentramos en el aprendizaje profundo basado en la física, donde exploramos la transición de modelos puramente basados en datos a aquellos que incorporan principios físicos. Aquí, discutimos la importancia de los sesgos inductivos y las restricciones físicas, que permiten a los modelos aprender de manera más eficiente y precisa.
El tercer módulo se centra en la integración de la física dentro de las redes neuronales, presentando conceptos como las Redes Neuronales Basadas en la Física (PINNs) y la diferenciación automática para resolver ecuaciones diferenciales parciales. Estos enfoques permiten a los modelos no solo predecir resultados, sino también respetar las leyes fundamentales de la física.
En los módulos siguientes, exploramos modelos probabilísticos avanzados, la transición de simulaciones a inferencia, y la cuantificación de incertidumbre en redes neuronales. Estos temas son cruciales para desarrollar modelos robustos y confiables, capaces de manejar la incertidumbre inherente en los datos del mundo real.
Finalmente, el libro concluye con una exploración de operadores neuronales, un enfoque innovador que permite aprender operadores en lugar de funciones, abriendo nuevas posibilidades para la modelización de sistemas complejos.
Este libro de apuntes no solo pretende ser una guía académica, sino también una invitación a explorar un campo en rápida evolución que está redefiniendo los límites de lo posible en la ciencia y la ingeniería. A través de estos módulos, esperamos equipar a los estudiantes con las herramientas y el conocimiento necesarios para contribuir al avance de esta emocionante intersección entre la física y la inteligencia artificial.
Índice#
- 1. Introducción a la inteligencia artificial y al aprendizaje profundo
- 2. Introducción al aprendizaje profundo basado en la física
- 3. Embebiendo física dentro de redes neuronales
- 4. Modelos probabilísticos
- 5. De Simulaciones a inferencia
- 6. Cuantificación de incerteza en redes neuronales
- 7. Operadores neuronales
- 8. Apéndice: Introducción a librerías de Python útiles
- 9. Guías Prácticas
Cronograma tentativo#
Semana 1
Clases 1 y 2: Introducción al Aprendizaje automático profundo en PyTorch
Semana 2
Clases 3 y 4: Introducción al aprendizaje profundo basado en la física
Semana 3
Clases 5 y 6: Redes neuronales informadas en la física (PINNs)
Semana 4
Clases 7 y 8: Física Diferenciable (FD)
Semana 5
Clase 8 y 10: Modelos probabilísticos (VAE, MDN)
Semana 6
Clase 11 y 12: Modelos probabilísticos (GAN, NF)
Semana 7
Clase 13 y 14: De simulaciones a inferencia (Bayesiano y SBI)
Semana 8
Clase 15 y 16: Operadores neuronales (DeepONets y FNO)
Trabajo Final Integrador (28/05/2026)#
El trabajo final tiene como objetivo aplicar de manera práctica alguna(s) de las metodologías de aprendizaje automático basadas en la física vistas durante el curso, en la resolución de un problema concreto.
Cada estudiante que desee aprobar la materia deberá
Definir un problema de interés que pueda abordarse mediante las técnicas vistas en clase. El problema puede ser de libre elección, pero debe ser acordado con el docente de antemano. En caso de no contar con idea propia, deberá consultar para definir un problema adecuado. Fecha límite para definir el problema: 21/05/2026 (puede definirlo de antemano e irlo trabajando si desea).
Deberá realizar una defensa oral de su proyecto el día 28/05/2026. En esta defensa deberá presentar mínimamente el problema y los objetivos, una descripción del abordaje realizado, el/los modelos planteados, el entrenamiento y los resultados obtenidos en una presentación con diapositivas. Se espera un análisis con métricas de desempeño, discusión de las ventajas y limitaciones encontradas del enfoque y posibles mejoras/continuación. La duración máxima de la exposición será de 20 minutos con 5 minutos adicionales destinados a preguntas del docente.
Finalmente, deberá entregar vía mail la jupyter notebook (o script the python si lo prefiere) de entrenamiento y obtención de los resultados presentados, que será evaluada, con posterior devolución.
Por preguntas, escribir a jose.robledo@ib.edu.ar