Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda

Autores
Di Liscia, Matias; Vera, Matías Alejandro; Rey Vega, Leonardo Javier; González, Martín Germán
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En los últimos años, la inteligencia artificial y, en particular, las redes neuronales profundas han experimentado avances significativos, permitiendo abordar problemas que anteriormente resultaban computacionalmente inviables. Entre las aplicaciones más prometedoras se encuentran las redes neuronales guiadas por la física (PINNs), que son un tipo de aproximadores de funciones universales que pueden incorporar el conocimiento de cualquier ley física descripta mediante ecuaciones diferenciales que rija un conjunto de datos determinado en el proceso de aprendizaje. En este trabajo se propone evaluar el desempeño de las PINNS de base finita (FBPINNs), para resolver la ecuación de onda unidimensional bajo distintas condiciones de contorno. Los resultados obtenidos son comparados con simulaciones numéricas generadas mediante el software k-Wave. El presente trabajo constituye un primer paso y la perspectiva a futuro es sentar las bases para una futura extensión a dos y tres dimensiones y su aplicación al problema directo de tomografía optoacústica y ultrasónica. Se pueden encontrar las simulaciones utilizadas y ejemplos extra en https://github.com/mdl99-github/FBPINNs-for-Wave-Equation.
Fil: Di Liscia, Matias. Universidad de Buenos Aires. Facultad de Ingeniería; Argentina
Fil: Vera, Matías Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Parque Centenario. Centro de Simulación Computacional para Aplicaciones Tecnológicas; Argentina
Fil: Rey Vega, Leonardo Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Parque Centenario. Centro de Simulación Computacional para Aplicaciones Tecnológicas; Argentina
Fil: González, Martín Germán. Universidad de Buenos Aires. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
XLI Congreso Argentino de Mecánica Computacional
Argentina
Asociación Argentina de Mecánica Computacional
Materia
PINNS
APRENDIZAJE PROFUNDO
ECUACIÓN DE ONDA
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/279888
Acceder
id CONICETDig_e7d414f0f6ea4a6da6f76f9fd2b215cb
oai_identifier_str oai:ri.conicet.gov.ar:11336/279888
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de OndaDi Liscia, MatiasVera, Matías AlejandroRey Vega, Leonardo JavierGonzález, Martín GermánPINNSAPRENDIZAJE PROFUNDOECUACIÓN DE ONDAhttps://purl.org/becyt/ford/1.2https://purl.org/becyt/ford/1En los últimos años, la inteligencia artificial y, en particular, las redes neuronales profundas han experimentado avances significativos, permitiendo abordar problemas que anteriormente resultaban computacionalmente inviables. Entre las aplicaciones más prometedoras se encuentran las redes neuronales guiadas por la física (PINNs), que son un tipo de aproximadores de funciones universales que pueden incorporar el conocimiento de cualquier ley física descripta mediante ecuaciones diferenciales que rija un conjunto de datos determinado en el proceso de aprendizaje. En este trabajo se propone evaluar el desempeño de las PINNS de base finita (FBPINNs), para resolver la ecuación de onda unidimensional bajo distintas condiciones de contorno. Los resultados obtenidos son comparados con simulaciones numéricas generadas mediante el software k-Wave. El presente trabajo constituye un primer paso y la perspectiva a futuro es sentar las bases para una futura extensión a dos y tres dimensiones y su aplicación al problema directo de tomografía optoacústica y ultrasónica. Se pueden encontrar las simulaciones utilizadas y ejemplos extra en https://github.com/mdl99-github/FBPINNs-for-Wave-Equation.Fil: Di Liscia, Matias. Universidad de Buenos Aires. Facultad de Ingeniería; ArgentinaFil: Vera, Matías Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Parque Centenario. Centro de Simulación Computacional para Aplicaciones Tecnológicas; ArgentinaFil: Rey Vega, Leonardo Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Parque Centenario. Centro de Simulación Computacional para Aplicaciones Tecnológicas; ArgentinaFil: González, Martín Germán. Universidad de Buenos Aires. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; ArgentinaXLI Congreso Argentino de Mecánica ComputacionalArgentinaAsociación Argentina de Mecánica ComputacionalAsociación Argentina de Mecánica Computacional2025info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectCongresoJournalhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/279888Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda; XLI Congreso Argentino de Mecánica Computacional; Argentina; 2025; 1-10CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://amcaonline.org.ar/ojs3/index.php/mc/article/view/323Nacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2026-02-06T13:41:26Zoai:ri.conicet.gov.ar:11336/279888instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982026-02-06 13:41:26.753CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda
title Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda
spellingShingle Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda
Di Liscia, Matias
PINNS
APRENDIZAJE PROFUNDO
ECUACIÓN DE ONDA
title_short Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda
title_full Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda
title_fullStr Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda
title_full_unstemmed Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda
title_sort Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda
dc.creator.none.fl_str_mv Di Liscia, Matias
Vera, Matías Alejandro
Rey Vega, Leonardo Javier
González, Martín Germán
author Di Liscia, Matias
author_facet Di Liscia, Matias
Vera, Matías Alejandro
Rey Vega, Leonardo Javier
González, Martín Germán
author_role author
author2 Vera, Matías Alejandro
Rey Vega, Leonardo Javier
González, Martín Germán
author2_role author
author
author
dc.subject.none.fl_str_mv PINNS
APRENDIZAJE PROFUNDO
ECUACIÓN DE ONDA
topic PINNS
APRENDIZAJE PROFUNDO
ECUACIÓN DE ONDA
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.2
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv En los últimos años, la inteligencia artificial y, en particular, las redes neuronales profundas han experimentado avances significativos, permitiendo abordar problemas que anteriormente resultaban computacionalmente inviables. Entre las aplicaciones más prometedoras se encuentran las redes neuronales guiadas por la física (PINNs), que son un tipo de aproximadores de funciones universales que pueden incorporar el conocimiento de cualquier ley física descripta mediante ecuaciones diferenciales que rija un conjunto de datos determinado en el proceso de aprendizaje. En este trabajo se propone evaluar el desempeño de las PINNS de base finita (FBPINNs), para resolver la ecuación de onda unidimensional bajo distintas condiciones de contorno. Los resultados obtenidos son comparados con simulaciones numéricas generadas mediante el software k-Wave. El presente trabajo constituye un primer paso y la perspectiva a futuro es sentar las bases para una futura extensión a dos y tres dimensiones y su aplicación al problema directo de tomografía optoacústica y ultrasónica. Se pueden encontrar las simulaciones utilizadas y ejemplos extra en https://github.com/mdl99-github/FBPINNs-for-Wave-Equation.
Fil: Di Liscia, Matias. Universidad de Buenos Aires. Facultad de Ingeniería; Argentina
Fil: Vera, Matías Alejandro. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Parque Centenario. Centro de Simulación Computacional para Aplicaciones Tecnológicas; Argentina
Fil: Rey Vega, Leonardo Javier. Consejo Nacional de Investigaciones Científicas y Técnicas. Oficina de Coordinación Administrativa Parque Centenario. Centro de Simulación Computacional para Aplicaciones Tecnológicas; Argentina
Fil: González, Martín Germán. Universidad de Buenos Aires. Facultad de Ingeniería; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
XLI Congreso Argentino de Mecánica Computacional
Argentina
Asociación Argentina de Mecánica Computacional
description En los últimos años, la inteligencia artificial y, en particular, las redes neuronales profundas han experimentado avances significativos, permitiendo abordar problemas que anteriormente resultaban computacionalmente inviables. Entre las aplicaciones más prometedoras se encuentran las redes neuronales guiadas por la física (PINNs), que son un tipo de aproximadores de funciones universales que pueden incorporar el conocimiento de cualquier ley física descripta mediante ecuaciones diferenciales que rija un conjunto de datos determinado en el proceso de aprendizaje. En este trabajo se propone evaluar el desempeño de las PINNS de base finita (FBPINNs), para resolver la ecuación de onda unidimensional bajo distintas condiciones de contorno. Los resultados obtenidos son comparados con simulaciones numéricas generadas mediante el software k-Wave. El presente trabajo constituye un primer paso y la perspectiva a futuro es sentar las bases para una futura extensión a dos y tres dimensiones y su aplicación al problema directo de tomografía optoacústica y ultrasónica. Se pueden encontrar las simulaciones utilizadas y ejemplos extra en https://github.com/mdl99-github/FBPINNs-for-Wave-Equation.
publishDate 2025
dc.date.none.fl_str_mv 2025
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/conferenceObject
Congreso
Journal
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
status_str publishedVersion
format conferenceObject
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/279888
Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda; XLI Congreso Argentino de Mecánica Computacional; Argentina; 2025; 1-10
CONICET Digital
CONICET
url http://hdl.handle.net/11336/279888
identifier_str_mv Redes Neuronales Guiadas para Aplicaciones modeladas por la Ecuación de Onda; XLI Congreso Argentino de Mecánica Computacional; Argentina; 2025; 1-10
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://amcaonline.org.ar/ojs3/index.php/mc/article/view/323
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.coverage.none.fl_str_mv Nacional
dc.publisher.none.fl_str_mv Asociación Argentina de Mecánica Computacional
publisher.none.fl_str_mv Asociación Argentina de Mecánica Computacional
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1856403618869018624
score 12.600915

Publicaciones similares