| 26-05-2025 |
Physics Informed Neural Networks (PINNs) para Regulación de Glucosa
Las redes neuronales tradicionales han demostrado ser herramientas poderosas para modelar sistemas complejos y no lineales, especialmente cuando se dispone de grandes volúmenes de datos y se tiene un conocimiento limitado del sistema subyacente. No obstante, en contextos donde se cuenta con un conocimiento previo del comportamiento del sistema y con ecuaciones que describen adecuadamente su dinámica, las Physics-Informed Neural Networks (PINNs) ofrecen una alternativa más eficiente y precisa. En esta IPRE, los estudiantes diseñarán e implementarán PINNs para modelar el sistema glucorregulatorio en personas con diabetes tipo 1. Estos modelos permitirán capturar con mayor fidelidad la dinámica de la glucosa en el cuerpo, integrando tanto datos clínicos como conocimiento fisiológico a través de ecuaciones diferenciales. Los modelos desarrollados tendrán como objetivo final su uso en aplicaciones de control, particularmente en el diseño de algoritmos para páncreas artificiales.
Keywords:
control automático
deep learning
Redes neuronales
diabetes
control inteligente
physics informed NN
Prerequisitos:
IEE2613
Tiene un método de evaluación Nota 1-7, con 10 créditos y tiene 2/2 vacantes disponibles |
Mentor(es): Ver en la plataforma |
| 26-05-2025 |
Keywords:
control automático
deep learning
Redes neuronales
diabetes
control inteligente
physics informed NN
Prerequisites:
IEE2613
Evaluation method: Nota 1-7, with 2/2 available vacants |
Mentor(s): Open in the plataform |