000125108 001__ 125108
000125108 005__ 20230322092646.0
000125108 037__ $$aTAZ-TFG-2022-3415
000125108 041__ $$aspa
000125108 1001_ $$aPardos Cardiel, Javier
000125108 24200 $$aMathematical operators in physics simulated by means of artificial intelligence
000125108 24500 $$aOperadores matemáticos en Física simulados mediante inteligencia artificial
000125108 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2022
000125108 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000125108 520__ $$aEn este trabajo se utilizan redes neuronales para simular operadores matemáticos aplicados a la Física. El método implementado supone una herramienta novedosa que da muestra del potencial de la Inteligencia Artificial para abordar problemas que tienen un enfoque más abstracto y técnico que los que se suelen plantear. Este método conocido como DeepONet permite entrenar una red para que aprenda la actuación de un operador. Lo que se ha hecho en el trabajo ha sido entrenarla con funciones escogidas aleatoriamente para después aplicar los resultados a funciones conocidas de origen físico. De esta manera, se ha podido comprobar la validez de esta técnica a la vez que se han visto algunas de sus limitaciones.<br /><br />
000125108 521__ $$aGraduado en Física
000125108 540__ $$aDerechos regulados por licencia Creative Commons
000125108 700__ $$aGutiérrez Rodrigo, Sergio$$edir.
000125108 700__ $$aMartín Moreno, Luis$$edir.
000125108 7102_ $$aUniversidad de Zaragoza$$bFísica de la Materia Condensada$$cFísica de la Materia Condensada
000125108 8560_ $$f780053@unizar.es
000125108 8564_ $$s1355351$$uhttps://zaguan.unizar.es/record/125108/files/TAZ-TFG-2022-3415.pdf$$yMemoria (spa)
000125108 909CO $$ooai:zaguan.unizar.es:125108$$pdriver$$ptrabajos-fin-grado
000125108 950__ $$a
000125108 951__ $$adeposita:2023-03-21
000125108 980__ $$aTAZ$$bTFG$$cCIEN
000125108 999__ $$a20220912120757.CREATION_DATE