1. Aplicación de redes neuronales al ajuste de parámetros en modelos diferenciales
- Author
-
Guillén González, Francisco Manuel, Doubova Krasotchenko, Anna, Universidad de Sevilla. Departamento de Ecuaciones Diferenciales y Análisis Numérico, Murillo García, Sergio, Guillén González, Francisco Manuel, Doubova Krasotchenko, Anna, Universidad de Sevilla. Departamento de Ecuaciones Diferenciales y Análisis Numérico, and Murillo García, Sergio
- Abstract
El éxito del desarrollo de la inteligencia artificial durante los últimos 15 años ha revolucionado todas las áreas del conocimiento. Debido a la ((maldición de la dimensión)), que hace referencia al desafío que surge al tratar de resolver sistemas de ecuaciones diferenciales con un gran número de variables, su aplicación a la aproximación numérica de ecuaciones diferenciales juega un papel muy importante en problemas de alta dimensión. En este trabajo se realizará una introducción a los conceptos básicos de las redes neuronales generales. Se estudiará el algoritmo de diferenciación automática (backpropagation), clave de su eficiencia, y se demostrará el Teorema de aproximación universal, base matemática que justifica la utilidad de las redes neuronales en la aproximación de funciones. Se utilizarán las redes neuronales denominadas como Physical Informed Neural Networks (PINN) para la resolución de ecuaciones y sistemas diferenciales y el ajuste de parámetros en ellos. Además, se implementarán utilizando Python y sus librerías en problemas concretos., The successful development of artificial intelligence over the last 15 years has revolutionised all areas of knowledge. Due to the ((curse of dimensionality)), which refers to the challenge that arises when trying to solve systems of differential equations with a large number of variables, its application to the numerical approximation of differential equations plays a very important role in high-dimensional problems. In this work, an introduction to the basic concepts of general neural networks will be given. The automatic differentiation algorithm (backpropagation), the key to its efficiency, will be studied and the universal approximation theorem, the mathematical basis that justifies the usefulness of neural networks in the approximation of functions, will be demonstrated. Neural networks known as Physically Informed Neural Networks (PINN) will be used to solve differential equations and systems and to adjust parameters in them. Furthermore, they will be implemented using Python and its libraries in concrete problems.
- Published
- 2023