Medellín SciML Workshop

Diapositivas del taller de aprendizaje automático científico de la Universidad EAFIT de 2026.

Transcript

1. Medellín SciML Workshop De las ecuaciones diferenciales a la inteligencia artificial Agosto 14 de 2026
2. Charlas
3. Scientific machine learning: Ciencia computacional a través del aprendizaje automático Nicolás Guarín-Zapata Profesor de la Universidad EAFIT, ingeniero físico y PhD. en ingeniería Computacional con interés y experiencia en ingeniería basada en simulaciones, matemáticas aplicadas, métodos numéricos, biomimética, mecánica de sólidos, diseño de materiales y propagación de ondas.
4. Entendiendo las PINNs desde el análisis numérico Manuela Bastidas Olivares Analista numérica, Ingeniera Matemática y PhD. en Matemáticas, profesora de la Universidad Nacional de Colombia Sede Medellín y gomosa de las cotas de error.
5. TinyML: El futuro es pequeño Juan Camilo Zapata Profesor de la I.U. Pascual Bravo, Ingeniero Biomédico y Magíster en Ingeniería. Su experiencia se centra en ciencia de datos, machine learning y TinyML, con aplicaciones en el procesamiento de señales fisiológicas y la identificación biométrica.
6. Taller
7. PINNs práctico Resolviendo problemas directos e inversos con redes neuronales​ David Ortiz Puerta Profesor de la Universidad de Valparaíso, PhD en Ciencias de la Ingeniería, con interés y experiencia en métodos computacionales aplicados a problemas biomédicos, integrando procesamiento de imágenes médicas, mecánica computacional y aprendizaje automático informado por la física.
8. Conversatorio ¿Cómo nos estamos relacionando con las máquinas? Una mirada desde la matemática y el humanismo
9. Jessica Patricia Salazar Vásquez Estudiante de PhD. en Ingeniería Matemática, MSc. Matemáticas Aplicadas Universidad EAFIT y Economista de la Universidad de Antioquia. Es miembro del grupo de investigación Naturaleza y Ciudad, donde se enfoca en modelos de transporte, aprendizaje automático, teledetección y econometría espacial.
10. Tony Peñarredonda Ingeniero Electrónico; Fílosofo; Especialista en Gestión de Tecnología, Lógica y Pensamiento crítico, Music Business, Machine Learning; y MSc. en Automática. Estudiante de PhD. en Filosofía. Suma más de 35 años en Discos Fuentes como Director de Ingeniería inicialmente, y luego como Gerente General en los últimos 10 años.
11. Scientific machine learning Ciencia computacional a través del aprendizaje automático Nicolás Guarín-Zapata @nicoguaro
12. Ingeniero Físico Especialista en Mecánica Computacional Magíster en Ingeniería Doctor en Ingeniería Computacional
13. Ciencia/ Ingeniería Ciencia/ ingeniería computacional Computación Matemáticas aplicadas La ciencia e ingeniería computacional es un campo que se sitúa en la intersección de las matemáticas y la estadística, la informática y la ciencia e ingeniería.
14. A Scoping Review of Physics Informed Machine Learning for Wave Propagation Modeling in Seismology
15. Ha habido un creciente interés de métodos de aprendizaje automático para resolver EDP. Parte de este crecimiento tiene que ver con la aparición de frameworks abiertos como PyTorch.
16. Aprendizaje automático informado por la física Caja negra Aprendizaje automático Caja blanca Aprendizaje automático informada por la física Conocimiento físico Observacional Inductivo Salida Datos Entrada Pérdida Optimizador Aprendizaje El conocimiento físico se incorpora mediante tres mecanismos de sesgo complementarios: sesgo inductivo (arquitecturas de red), sesgo observacional (datos) y sesgo de aprendizaje (pérdida basada en la física).
17. Las redes neuronales son uno de los modelos más utilizados en el aprendizaje automático informado por la física Modelo matemático Inteligencia artificial σ σ σ σ σ σ Sintético o experimental x Aprendizaje automático Redes neuronales u Datos etiquetados t Optimizador
18. El teorema de aproximación universal nos permite aproximar funciones continuas
19. Redes neuronales informada por la física σ σ σ σ σ σ Pocos datos x Física u t Algunos datos Redes neuronales informada por la física Optimizar Sí Redes neuronales Muchos datos ϵ ≤ Pérdida Hecho No Pérdida
20. Ejemplo
21. Onda difractada Onda incidente Benchmarking physicsinformed neural networks and Boundary Element Method
23. Comparación de las soluciones al interior y exterior de la región de entrenamiento
24. Contacto Nicolás Guarín-Zapata nicoguaro.github.io nguarinz@eafit.edu.co @nicoguaro