Redes Neuronales para resolver Ecuaciones Diferenciales

[@jhonfredytaverabucuru4015]

6:55 donde puedo encontrar la demostración de que una red neuronal puede aproximar cualquier función?

[@juansensio]

en.m.wikipedia.org/wiki/Universal_approximation_theorem

[@GuillermoGuirales]

Excelente video y explicación, todo muy claro y conciso

[@luiscardenas7473]

como podria compilar el torch? ya que me sale que hay un error con el CUDA y mi pc usa AMD Radeon

[@panther1303]

Muchas gracias por compartir su conocimiento.

[@calpaca]

Hola, tengo una consulta, en cuanto a la solución de ecuaciones diferenciales de CFD, según tu experiencia: cuando es más acertado este modelado cuando la ecuación es mas simplificada o cuando esta tiene mayor cantidad de terminos. Dado la aletoriedad de los valores entrada y posibles errores por ajuste de los términos. Saludos y gracias por todo tu trabajo.

[@juansensio]

En mi experiencia este modelo no es más acertado nunca ya que es un campo muy nuevo y la resolución de PDEs con técnincas tradicionales es más robusto. Dicho esto, cuanto más sencilla es la ecuación, mejores resultados dará la red neuronal (aunque yo he llegado a resolver las ecuaciones de Navier Stokes).

[@duvanherrera9213]

amigo una pregunta los puntos que no son condiciones de frontera ni iniciales los llamados collocation points, segun entendi no es necesario tener el valor de la funcion en estos puntos para compararlos con los predictos por la red neuronal?

[@juansensio]

Así es, tu no sabes estos valores. Es precisamente lo que tienes que encontrar mediante el proceso de optimización / entrenamiento de la red neuronal🙃

[@javiercaicedotivabija5705]

Buenos dias Juan, mi nombre es javier caicedo y te escribo desde Colombia, en primera medida quiero agradecerte por compartir tu contenido en el video que es muy apropiado para el trabajo que estoy desarrollando. Soy estudiante en la Maestría de Analitica de datos en la universidad central en Bogotá, Colombia; en la actualidad estoy desarrollando mi proyecto de tesis, en el cual se propone la solución de Ecuaciones Diferenciales por Medio de redes Neuronales, aplicadas a la Cinética de reacciones Químicas. Es precisamente por esta razón que me tomo el atrevimiento de escribirte, ya que quisiera solicitarle una colaboración, sobre este tema en Español, Libros, artículos u otros documentos sobres el tema, e incluso el libro del cual hablas en el video. Muchas Gracias por tu Tiempo y respuesta. Tema Solución de Ecuaciones diferenciales Por medio de redes neuronales, aplicados a la cinética de reacciones químicas.

[@ansys_cfd]

Estimado, muy buen video. Tengo una duda, mencionaste que la solución es continua y derivable, eso significa que al final de la simulación, ¿el programa me arroja una función?. Es posible aplicar este método para flujos de 2 fases (superficie libre). Gracias por el buen contenido. Saludos

[@juansensio]

La red neuronal, una vez entrenada, es la función. Mientras puedas describir tu problema como un sistema de ecuaciones diferenciales deberías poder aplicar el método.

[@ansys_cfd]

@@juansensio gracias por la respuesta. He estado leyendo el libro que recomendaste al inicio del vídeo el PBLD, muy interesante. Me he dado cuenta que usan el phiflow. Me interesa mucho este tema del CFD mediante redes neuronales, pero recién estoy iniciando. Me gustaría poder conversar contigo. Yo tengo 02 canales sobre CFD, me gustaría saber si dispones de tiempo para charlar o incluso hacer un vídeo de un conversatorio sobre tu experiencia y publicarlo en KZbin. En caso de que puedas, por favor avísame. Saludos cordiales

[@juansensio]

Hola, puedes contactarme a través de [e-mail]

[@CarlosSosa2005]

Doctor ,,, Muy Bueno ,,, Espero que tengas exito en tu carrera ,, Dale Dale ,, Gracias .

[@kar3lio]

Muy bueno el video!!!

[@abrahamrodarte1035]

Hola, vi tu video y me pareció muy interesante, yo programo redes neuronales para sistemas dinámicos y tengo una duda, podría generar una ecuación diferencial en función del tiempo a partir del modelo de la red neuronal para poder resolverla y mostrar de mejor manera la capacidad de prediccion de una red neuronal para personas que no sepan programar?

[@LuisAlbertoMz]

me caba de explotar la cabeza!... eres el amo de las ANN !

[@josealdana4074]

Gracias, vale oro esta información Doctor

[@jhonathwensenbermejiagonza2954]

Interesante método para resolver EDP. Se me ocurre que: La solución de las ecuaciones de Navier Stokes podrían tener polinomios de grado superior (espero algún día podamos encontrarlas), y por ende habría varios valores que satisfagan la ecuación de balance (y la función de error), ésto sería la causa de las manchas que no corresponden en las ecuaciones de Euler. Dicho de otro modo, para una misma celda habría dos o más valores que satisfacen la función de error, y las redes neuronales no estarían siendo capaces de distinguirlas. Que opinas??

[@juansensio]

En eso se basan métodos como elementos finitos o galerkin, pero en la red neuronal no se hace ese tipo de hipótesis. La solución aproximada es continua en todo el dominio.

[@jhonathwensenbermejiagonza2954]

@@juansensio gracias! Como dices en el video, faltan ver más detalles. Pero saludo tu contribución, muy interesante.

[@deuxto]

no sería mejor usar RNN para una simulación temporal?

[@empresasrl6502]

Muy buen video muchas gracias

[@pedrohurtado-u6b]

¿Qué relación tiene las ecuaciones diferenciales con la Inteligencia Artificial?

[@christianaltamirano3360]

puedes hacer un video explicando 'THE MANIFOLD HYPOTHESIS', Muy buenos videos!

[@MaximoFernandezNunez]

Eres un crack!

[@mineria703]

Muy buen video, cuando otro directo sobre alguna competencia de Kaggle?

[@rhkuhz]

Mi duda es, que beneficio tendría resolver ecuaciones diferenciales con deep learning??

[@juansensio]

Solución continua y derivable, no necesita discretizar el domino, puede contener parámetros libres como inputs, por lo que la solución te sirve para muchos casos diferentes (y por lo tanto acelerar los procesos de optimización)...

[@rhkuhz]

@@juansensio Pero... Si no entendí mal en la universidad (esta asignatura me la explicaron bastante mal) existen métodos numéricos que ya hacen eso, incluso te permiten calcular el error, si es por temas de rendimiento tampoco veo gran mejora pues las redes neuronales también se llevan recursos importantes, no se si compense debido a la perdida de precisión. Aunque la verdad que este canal es oro, el más completo que he encontrado hasta ahora, sigue así, ayudas mucho a los novatos como yo, saludos!

[@CarlosSosa2005]

Doctor saque Tiempo ,, y siga en esta Direccion ,, ha pensado un canal en ingles ,, creo que la difusion tendria muchisimo impacto y tus investigaciones mas difundidas. Exitos

[@danielreyes7507]

Esto me viene de lujo!. Mi tesis va sobre resolver la ecuación de Schrödinger (mecánica cuántica) utilizando redes neuronales. Muchas gracias bro!

[@bemdemfem]

Siempre hay un payaso queriendo llamar la atencion

[@marianodeanquin]

@@bemdemfem me interesa para resolver la derivada del payaso en función d el circo dentro del campo escalar de La llamada da de atención De veces para evitar que la carpa del circo no sea tan aerodinámica

[@bemdemfem]

@@marianodeanquin tienes que llevar fluidos para saber que es aerodinámica, sigue intentando y entra con los demás payasos ya les toca el turno

[@marianodeanquin]

@@bemdemfem por lo menos te hacen feliz los payasos. .recomien dame un libro de aerodinámica y de e fluidos ya que tus sabes.mas

[@bemdemfem]

@@marianodeanquin creo que tu debes iniciar con fisica de custodio garcia. de nada plin plin

[@danielinfantes1799]

Nunca me gustó esa "forma compacta" tan fácil que es poner un parcial_coordenada Función

[@snorfyl]

menos mal existes tio!