Gradiente de Política para MDP Robustos en Tiempo Continuo
Descubre cómo los algoritmos de gradiente de política en tiempo continuo mejoran la robustez en MDPs, con convergencia lineal y menor complejidad muestral.
#ecuaciones
LC-PINN: Redes neuronales con pérdida condicional para familias paramétricas de EDP
Descubre cómo LC-PINN entrena un único modelo que resuelve toda una familia de ecuaciones diferenciales paramétricas, sin datos generados por solver.
De Ticks a Flujos: Aprendizaje por Refuerzo en Entornos Continuos
Nuevo marco teórico para aprendizaje por refuerzo en entornos continuos: procesos estocásticos y ecuaciones diferenciales. Mejora tu comprensión de RL.
Enfoque de precisión dinámica consciente de curvatura para PINNs
Descubre cómo un control de precisión basado en curvatura reduce costos computacionales en PINNs sin sacrificar exactitud. Optimiza tu entrenamiento.
Atractor de Lorenz: la mariposa del caos y la belleza del desorden
Descubre el fascinante atractor de Lorenz, la mariposa del caos. Cómo pequeñas variaciones generan un orden oculto en sistemas dinámicos. ¡Entra y aprende!
Modelos oscilatorios de espacio de estados como sesgos inductivos para PINNs
Optimiza la solución de EDP con modelos oscilatorios: mayor precisión, menor memoria. ¡Descubre cómo!
Flow Learners para PDEs: hacia un paradigma física-a-física
Los Flow Learners alinean dinámica continua con IA para transformar la simulación de PDEs y cuantificar incertidumbre.
Estimación bidireccional de efectos causales con kernel online
Nuevo método de kernel online para estimar efectos causales bidireccionales con alta precisión y escalabilidad. Ideal para datos masivos en ciencia, negocios y políticas.
¿Son fiables los solucionadores híbridos de EDP basados en deep learning?
Descubre por qué los solucionadores híbridos de EDP con deep learning fallan y cómo la aceleración Anderson con física informada garantiza convergencia fiable.
PINNfluence: Interpretando PINNs mediante funciones de influencia
Descubre cómo PINNfluence interpreta las redes neuronales físicas informadas usando funciones de influencia para diagnosticar su comportamiento.
Modelos de difusión con información física en espacio espectral
Descubre cómo los modelos de difusión en espacio espectral integran leyes físicas para resolver PDEs con eficiencia y precisión. Ideal para ingeniería y ciencia.
Operadores Neuronales Basados en la Luz: Reflexión, Refracción y Dispersión
Descubre LiNO, un operador neuronal inspirado en la luz que reduce la complejidad espacial de cuadrática a lineal, mejorando la escalabilidad y el rendimiento en PDEs.
APIC: Calibración Amortiguada Informada por Física con Procesos Neuronales
APIC permite calibración rápida de modelos físicos con procesos neuronales. Cuantifica incertidumbre y mejora la precisión a partir de datos escasos.
Precondicionador de dos mallas para flujo subterráneo con red híbrida de atención
Precondicionador de dos mallas y red híbrida de atención aceleran simulación de flujo subterráneo en medios de alto contraste, mejorando precisión.
Aprendizaje de Valor Suavizado en Aprendizaje por Refuerzo
Aprende cómo MVL usa suavizado espacial para estimación de valor estable en RL offline, mejorando navegación y manipulación robótica.
Supervisión Feynman-Kac ruidosa para entrenar PINNs
Aprende cómo la supervisión Feynman-Kac mejora PINNs, reduce el mal condicionamiento y ofrece cotas de error. Ejemplos en Poisson, Schrödinger y más.
Límites de error para un estimador de deriva basado en modelos de difusión
Analizamos las cotas de error teóricas de un estimador de deriva basado en modelos de difusión, descomponiendo el riesgo en discretización, aproximación de score, inicialización y varianza.
Resolviendo ecuaciones diferenciales con deep learning: aspectos prácticos
Aprende a resolver ecuaciones diferenciales con deep learning: redes neuronales, retropropagación y método Deep Galerkin. Sin GPU.
Flowers: un motor warp para solucionadores neuronales de PDE
Flowers: arquitectura neuronal con warps multihead. Sin Fourier ni atención, logra interacciones globales a costo lineal. Supera a modelos mucho más grandes.
naPINN: Redes Neuronales Adaptativas al Ruido para Recuperar Física
Descubre cómo naPINN, una red neuronal adaptativa al ruido, recupera soluciones físicas a partir de mediciones corruptas, superando a métodos tradicionales. Ideal para datos con outliers.