Utilizing Physics-Informed Neural Networks for Solving Forward Problems in Partial Differential Equations

Las Redes Neuronales Físicamente Informadas (PINNs, por sus siglas en inglés) representan una herramienta avanzada de aprendizaje profundo utilizada para la resolución numérica de problemas, especialmente aquellos relacionados con valores iniciales asociados a ecuaciones en derivadas parciales. El propósito de esta tesis es implementar el innovador método PINNs y algunas de sus variantes para abordar estos problemas, comparándolos con enfoques clásicos como los métodos de diferencias finitas. Aprovechando la capacidad computacional de un supercomputador (ZINE-Javeriana) y haciendo uso de herramientas gratuitas como Google Colab, buscamos evaluar la precisión y el tiempo de ejecución de estas metodologías en situaciones específicas donde contamos con soluciones explícitas.

• Tipo de recurso: masterThesis
• Fecha de publicación: 2024
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: spa
• OAI Identifier: oai:repository.javeriana.edu.co:10554/66679
• Acceso en línea: http://hdl.handle.net/10554/66679
• Palabra clave: Redes neuronales; Inteligencia artificial; Neurona artificial; Ecuaciones diferenciales parciales; Redes neuronales físicamente informadas; PINNs; Neural networks; Deep learning; Machine learning; Artificial intelligence; Artificial neuron; Partial differential equations; Physics; Physics-informed neural networks; PINNs; Maestría en matemáticas - Tesis y disertaciones académicas; Redes neuronales; Inteligencia artificial
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional