López Montes, Antonio2025-06-242025-06-242025-06-25https://hdl.handle.net/20.500.14352/121717Conferencia posgradoEl potencial de las redes neuronales se refuerza cuando se integran con conocimientos explícitos del dominio físico. Las Physics-Informed Neural Networks (PINNs), propuestas por Raissi, Perdikaris y Karniadakis en 2019, permiten resolver ecuaciones diferenciales, tanto ordinarias como en derivadas parciales, al incorporar las leyes físicas del sistema directamente en la función de pérdida. En esta charla, exploraremos cómo las redes PINNs permiten representar funciones con estructura física en general y soluciones de ecuaciones diferenciales en particular, más allá del ajuste estadístico convencional. Además, abordaremos extensiones recientes del modelo, como su extensión al ámbito de la computación cuántica. Veremos el uso de funciones de activación cuánticas y arquitecturas híbridas con circuitos cuánticos, que amplían la eficiencia y estabilidad de este tipo de redes. Además, abordaremos extensiones recientes del modelo, como su extensión al ámbito de la computación cuántica. Veremos el uso de funciones de activación cuánticas y arquitecturas híbridas con circuitos cuánticos, que amplían la eficiencia y estabilidad de este tipo de redes.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/otheropen accessFísica computacionalComputación cuánticaRedes neuronalesAnálisis numéricoFísica matemática1206 Análisis Numérico2299 Otras Especialidades Físicas