Aprendiendo sistemas dinámicos a partir de datos: Una introducción al aprendizaje profundo guiado por la física

Modelar dinámicas físicas complejas es una tarea fundamental en la ciencia y la ingeniería. Los modelos tradicionales basados en la física son de principios fundamentales, explicables y eficientes en muestras. Sin embargo, a menudo dependen de fuertes supuestos de modelado e integración numérica costosa, requiriendo recursos computacionales significativos y experiencia en el dominio. Si bien el aprendizaje profundo (DL) proporciona alternativas eficientes para modelar dinámicas complejas, requieren una gran cantidad de datos de entrenamiento etiquetados. Además, sus predicciones pueden desconocer las leyes físicas que rigen y son difíciles de interpretar. El DL guiado por la física tiene como objetivo integrar el conocimiento físico basado en principios fundamentales en métodos impulsados por datos. Tiene lo mejor de ambos mundos y está bien equipado para resolver mejor problemas científicos. Recientemente, este campo ha ganado un gran progreso y ha atraído un considerable interés en diversas disciplinas. Aquí, presentamos el marco del DL guiado por la física con un énfasis especial en el aprendizaje de sistemas dinámicos. Describimos el flujo de aprendizaje y categorizamos los métodos de vanguardia bajo este marco. También ofrecemos nuestras perspectivas sobre los desafíos abiertos y las oportunidades emergentes.