Resumen

En los últimos años, ha habido mucho interés en extender métodos provenientes de aprendizaje automático a las ciencias físicas. Estas aplicaciones incluyen física, química y ciencias de la Tierra, por mencionar algunas, donde ciertos aspectos del modelado físico se basan en datos: crear una tarea de aprendizaje que permita aprender nuevas leyes físicas de manera tal que las predicciones se adapten a observaciones.

¿Cómo sabemos que estos modelos realmente capturan las propiedades físicas del sistema? ¿Cómo validamos estos modelos en sistemas dinámicos complejos donde escasean observaciones? Por otro lado, ¿cómo calcular el gradiente de la solución numérica de una ecuación diferencial, necesario para optimizar los parámetros del modelo?

En esta charla, voy a introducir el campo de physics-informed machine learning. Discutiremos las oportunidades y desafíos en el uso del aprendizaje automático combinado con ecuaciones diferenciales para modelar sistemas físicos complejos. Voy a discutir aplicaciones en el modelado de glaciares y  paleomagnetismo.