| Resumen | El uso de Redes Neuronales para el aprendizaje de operadores que gobiernan las
ecuaciones en derivadas parciales (EDP) de problemas complejos aplicados a dominios
arbitrarios es hoy en día un desafío. Para este trabajo se propone el desarrollo de un modelo de
redes neuronales de grafos que, a través de un enfoque flexible y escalable, sea capaz de
capturar las relaciones relevantes existente entre las soluciones de EDP de diversos problemas.
La capacidad del modelo propuesto para generalizar en diferentes escalas espaciales y
temporales lo convierte en una herramienta prometedora para la simulación y análisis de
sistemas dinámicos con aplicaciones en diversas áreas de la ingeniería y la ciencia, como, por
ejemplo, la dinámica de fluidos, la modelización de materiales y la predicción de fenómenos
físicos complejos
Los objetivos principales de este trabajo incluyen:
• Implementar y entrenar un modelo de redes neuronales de grafos para el aprendizaje de
operadores que gobiernan diversas EDP.
• Comparar el rendimiento del modelo con metodologías existentes en términos de
precisión y capacidad de generalización a nuevas soluciones.
• Evaluar la robustez del modelo en distintos escenarios y aplicaciones prácticas.
|
|---|
| Detalles/Contacto | Se busca a un estudiante con ambición de realizar un proyecto de TFM de gran envergadura,
se le ofrece financiación mediante una beca propia y posibilidad de incorporación al laboratorio
junto con el equipo de investigación, facilitando medios de cálculo. El perfil de los candidatos
requiere rama ingenieril, física o matemática con interés en aprender sobre redes neuronales de
última generación, además de programación en Python. La tutorización del trabajo será llevada
a cabo por Pedro Martins, investigador ARAID y Lucas Tesán, doctorando en redes neuronales
y mecánica computacional del grupo AMB del I3A.
Pedro Martins: pmartins@unizar.es
Lucas Tesán: ltesan@unizar.es
David Gonzalez: gonzal@unizar.es |
|---|