En este momento estás viendo 
<span class="bsf-rt-reading-time"><span class="bsf-rt-display-label" prefix="Tiempo de lectura"></span> <span class="bsf-rt-display-time" reading_time="1"></span> <span class="bsf-rt-display-postfix" postfix="mins"></span></span><!-- .bsf-rt-reading-time -->PINTURA: Gemelos neuronales paralelos en el tiempo para la reconstrucción del sistema dinámico

PINTURA: Gemelos neuronales paralelos en el tiempo para la reconstrucción del sistema dinámico

  • Autor de la entrada:
  • Categoría de la entrada:Noticias externas

Resumen: Los sustitutos neuronales han demostrado un gran potencial en la simulación de sistemas dinámicos, al tiempo que ofrecen capacidades en tiempo real. Visualizamos a Neural Twins como una progresión de sustitutos neuronales, con el objetivo de crear réplicas digitales de sistemas reales. Un gemelo neuronal consume mediciones en el momento de la prueba para actualizar su estado, lo que permite la toma de decisiones específicas del contexto. Una propiedad crítica de los gemelos neuronales es su capacidad para permanecer en la trayectoria, es decir, permanecer cerca del verdadero estado del sistema a lo largo del tiempo. Presentamos los gemelos neuronales paralelos en el tiempo (PAINT), una familia de métodos independientes de la arquitectura para modelar sistemas dinámicos a partir de mediciones. PAINT entrena una red neuronal generativa para modelar la distribución de estados paralelos a lo largo del tiempo. En el momento de la prueba, los estados se predicen a partir de mediciones en forma de ventana deslizante. Nuestro análisis teórico muestra que PAINT está en trayectoria, mientras que los modelos autorregresivos generalmente no lo están. Empíricamente, evaluamos nuestro método en un desafiante problema de dinámica de fluidos turbulentos bidimensionales. Los resultados demuestran que PAINT se mantiene en la trayectoria y predice los estados del sistema a partir de mediciones escasas con alta fidelidad. Estos hallazgos subrayan el potencial de PAINT para desarrollar gemelos neuronales que permanecen en la trayectoria, lo que permite una estimación del estado y una toma de decisiones más precisas.

Publicado originalmente en export.arxiv.org el 20 de octubre de 2025.
Ver fuente original

admin

Usuario de administración del sitio web