Esta página reúne los proyectos finales del curso. Cada grupo puede abrir un Pull Request agregando una entrada con el formato que se muestra a continuación.
Template¶
### Título del Proyecto
**Autores:** Nombre Apellido (`@usuario`), Nombre Apellido (`@usuario`)
**Resumen:** Breve descripción del proyecto (2–4 oraciones). Qué problema aborda, qué métodos usa y cuál es el resultado principal.
<!-- Las imágenes del poster deben incluirse en la carpeta assets/proyectos/<nombre-del-proyecto>/ del repositorio -->
:::{figure} ../assets/proyectos/nombre-del-proyecto/poster.png
:width: 80%
:align: center
Poster del proyecto.
:::
**Links:**
- [Repositorio](https://github.com/usuario/repo)
- [Informe](https://link-opcional)Proyectos 2026¶
SINDy-XAI: Identificación de Dinámicas Dispersas en Explicaciones de Audio¶
Autores: Cecilia Bolaños (@ceciliabolanos)
Resumen: Este trabajo estudia si las explicaciones en formato de audio generadas por una red neuronal para contar kicks comparten una dinámica matemática según la clase predicha. Para ello, modelamos estas señales mediante SINDy-c, utilizando la energía de la explicación y una señal de control para representar los impactos transitorios. Los resultados muestran que una biblioteca polinomial describe mejor la dinámica y permite descubrir ecuaciones diferenciales características de cada clase, revelando similitudes y diferencias en la forma en que la red procesa distintas categorías de sonidos.
Links:
Estimación de Parámetros Cosmológicos y Resolución de la Ecuación de Friedmann Mediante Redes Neuronales Restringidas por la Física (PINNs)¶
Autores: Camila Luciana Prieto (@Camila15987)
Resumen: En este proyecto se utilizaron Redes Neuronales restringidas por la física (PINNs) para resolver la evolución cosmológica. En el modelo directo se aproxima el factor de escala y el parámetro de Hubble según la ecuación diferencial de Friedmann simplificada. En el modelo inverso se estiman los parámetros cosmológicos, usando simulaciones con ruido gaussiano y datos observacionales reales del telescopio de Planck. Los resultados finales demuestran la eficiencia de las PINNs para la inferencia cosmológica combinando teoría y datos con dispersión.
Poster del proyecto.
Links: Repositorio, Slides / Informe
Proyecto 15¶
Autores:
Resumen:
Links:
Modelado de dinámica de contagio de SARS-CoV-2 en EE. UU.¶
Autores: Zappala Carolina (@carozappala), Gesualdi Santiago (@SantiiiGesualdi)
Resumen: El modelado de una epidemia, tal como lo fue el virus SARS-CoV-2, resulta de gran inter teniendo en cuenta las distintas lecturas posibles de sus efectos. Para ello, se postula un modelo SEIRVD con retardo aplicando redes neuronales, en particular el enfoque UDE, para parametrizar esta diámica e inferir nociones de comportamiento poblacional ante estas situaciones. El modelo propuesto en el presente trabajo resulta de ayuda a dicho fin y consigue explicar, en general, la dinámica del sistema.
Links:
Proyecto 18¶
Autores:
Resumen:
Links:
BUSDE: Un Marco Bayesiano Físico-Neural para la Dinámica y Predicción Probabilística del ENSO¶
Autores: Mathías Rolando (@mathyrolando)
Resumen: El fenómeno de El Niño–Oscilación del Sur (ENSO) es el modo dominante de variabilidad climática interanual, pero los modelos lineales clásicos como el Oscilador de Recarga de Jin no logran capturar sus no-linealidades ni su irregularidad temporal. Este proyecto propone BUSDE, un marco de Ecuaciones Diferenciales Estocásticas Universales Bayesianas que combina ese esqueleto físico con correcciones aprendidas por redes neuronales, inferencia variacional sobre los parámetros y ruido heteroscedástico dependiente del estado. Entrenado con datos mensuales de SST (Niño 3.4) y volumen de agua cálida (WWV) entre 1980–2010 y evaluado fuera de muestra en 2011–2021, el modelo supera a los baselines de persistencia, climatología y OLS con correlaciones r > 0.5 hasta 6 meses de horizonte, y sus correcciones neuronales recuperan patrones físicamente interpretables consistentes con la literatura oceanográfica.
Poster del proyecto BUSDE: Marco Bayesiano Físico-Neural para el ENSO.
Links:
Proyecto 20¶
Autores:
Resumen:
Links:
Estudio en la disipación y modelado en una trampa armónica en el régimen cuántico¶
Autores: Agustín Agote (@Nitsuga01), Maximiliano Murgia (@maximurgia)
Resumen: En el trabajo presente, se estudió la dinámica de una nanopartícula levitada en equilibrio térmico en una trampa óptica rotante. La misma fue modelada mediante una ecuación de Lindblad que incorpora la interacción con el entorno y los mecanismos de disipación relevantes. A partir de aquí, se desarrolló una implementación numérica para simular la evolución temporal de los momentos de posición e impulso de la partícula. Se generó un conjunto de datos sintéticos y se entrenó una red neuronal para resolver el problema inverso de identificación de parámetros a partir de observables accesibles experimentalmente. Los resultados revelan que la red es capaz de estimar con buena precisión los parámetros dinámicos del sistema, incluso en presencia de fluctuaciones estocásticas en la frecuencia de rotación. Un segundo estudio sobre el mismo sistema incorporó sistemas de retroalimentación a la trampa. La dinámica resultante para los momentos de las distribuciones de posición y momento pudo ser modelada mediante filtros de Kalman extendidos. Se pudieron afrontar diferentes problemas de optimización basados en funcionalidad directa e inversa de estos modelos, pudiendo realizar inferencia de parámetros y predecir caracteristicas de la dinámica del sistema.
Poster del proyecto.
Links:
Análisis del comportamiento epidemiológico del COVID-19 en Argentina¶
Autores: Ema Sapirstein (@emasapirstein), Ingrid von Foerster (@ingruvf)
Resumen: El objetivo del presente proyecto es analizar los datos de COVID-19 en Argentina con herramientas de Physics Informed Machine Learning. Se utilizaron Universal Differential Equations (UDEs) para predecir el comportamiento epidemiológico del virus y estudiar la utilidad del método a la hora de hacer análisis en tiempo real. Se observó que la misma depende tanto del modelo físico elegido como del lugar que se les da a las redes neuronales dentro del este.
Links:
Trayectorias del espacio latente de frames de videos de sistemas dinámicos a partir de una NODE¶
Autores: Demián Elnecavé (@demianelnecave), Agustín Rabinowicz (@agusraba05)
Resumen: Buscamos, partiendo de una VAE entrenada sobre frames de videos sintéticos de algún sistema dinámico simple (en nuestro caso, una pelota rebotando), calcular la trayectoria del espacio latente de los frames. Con esto, intentamos usar esa trayectoria para:
Comparar los frames generados por la VAE con sus correspondientes de la trayectoria y debatir si pueden mejorar la performance del modelo
Aumentar la fluidez del video y predecir frames faltantes
Averiguar si la NODE aprende la dinámica que subyace en el video, esto es si hay algún tipo de semejanza entre el espacio latente de trayectorias de embeddings y las trayectorias del sistema
Links:
Modelado dinámico de degradación de motores turbofan mediante NODEs y UDEs¶
Autores: Sebastian Souto (@SoutoSebastian), Gian Lucca Sanza (@xGiannis)
Resumen: En este trabajo se estudia la predicción de fallas en motores turbofan utilizando el dataset C-MAPSS de la NASA. Se modela la degradación del motor mediante Neural Ordinary Differential Equations (NODEs) y Universal Differential Equations (UDEs), formulando el problema desde una perspectiva de análisis de supervivencia para estimar probabilidades de falla. Se comparan distintas variantes de entrenamiento y se analizan sus capacidades de detección temprana de fallas. Los resultados muestran que los modelos dinámicos constituyen una alternativa prometedora para representar el proceso de degradación y anticipar fallas en motores aeronáuticos.
Links:
Adaptive Integration Time (AIT) para Neural ODEs¶
Autores: Lucas Grasso (@LucasGrasso)
Resumen: Las Neural ODEs estándar requieren fijar de antemano el tiempo de integración, lo que impide asignar dinámicamente el cómputo según la dificultad de cada entrada. Este proyecto introduce Adaptive Integration Time (AIT), un análogo continuo del Adaptive Computation Time (ACT). Se aumenta el estado de la ODE con una unidad de halting aprendida cuya probabilidad acumulada dispara un evento del solver que termina la integración, obteniendo así una profundidad de cómputo por entrada. El método es determinista, diferenciable, aplicable a cualquier NODE y se entrena con un término de regularización que penaliza el cómputo excesivo. En experimentos sobre anillos concéntricos (utilizando JAX/diffrax), las AIT-NODEs logran representar funciones que las NODEs vanilla no pueden.
Links:
Proyecto 29¶
Autores:
Resumen:
Links:
Análisis de voces patológicas mediante patrones ordinales y el plano Complexity–Entropy¶
Autores: Cyntia Bonomi
Resumen: Las señales de voz pueden representarse de múltiples formas, pero no está claro qué descriptores capturan mejor las diferencias entre sujetos sanos y patológicos. En este trabajo se explora el espacio entropı́a–complejidad como representación compacta de la dinámica de la señal, con el objetivo de caracterizar posibles patrones diferenciales entre ambos grupos.
Links:
Proyecto 33¶
Autores:
Resumen:
Links:
Proyecto 42¶
Autores:
Resumen:
Links:
Proyecto 43¶
Autores:
Resumen:
Links:
Inferencia Batimétrica con PINNs¶
Autores: Federico Mosca.
Resumen: La reconstrucción de la topografía del fondo a partir de mediciones superficiales constituye un problema inverso de interés en oceanografía, hidrología y geofísica. En este trabajo se estudia la inferencia batimétrica en flujos descritos por las ecuaciones de aguas someras mediante Redes Neuronales Informadas por la Física (Physics-Informed Neural Networks, PINNs). Para ello, se generan datos sintéticos resolviendo numéricamente las ecuaciones de aguas someras unidimensionales sobre una topografía compleja y se utilizan únicamente observaciones del campo de altura para entrenar la red. La metodología propuesta emplea dos redes neuronales acopladas: una destinada a aproximar los campos dinámicos de velocidad y altura, y otra encargada de reconstruir la topografía del fondo. El entrenamiento se realiza combinando información observacional con los residuos de las ecuaciones diferenciales que gobiernan el sistema, permitiendo incorporar conocimiento físico de manera explícita dentro del proceso de optimización. Los resultados muestran que la técnica es capaz de recuperar satisfactoriamente la geometría del fondo utilizando exclusivamente mediciones superficiales, incluso con una cantidad reducida de observaciones. Estos resultados sugieren que las PINNsconstituyen una herramienta prometedora para abordar problemas de inferencia batimétrica a partir de observaciones parciales del flujo.
Links:
Reconstrucción física de curvas de luz para transientes del LSST¶
Autores: Giuliana Barbieri (@giulianabarbieri)
Resumen: Este proyecto implementa una PINN (Physics-Informed Neural Network) para reconstruir curvas de luz de Supernovas Tipo Ia a partir de datos fotométricos del ZTF y estimar simultáneamente parámetros físicos de la explosión (masa de Níquel-56, tiempo de explosión y opacidad dinámica) guiada exclusivamente por la ecuación diferencial de Arnett (1982). La arquitectura dual combina una red neuronal para el flujo y otra para la opacidad, con restricciones fuertes (hard PINNs), grilla de colocación adaptativa (importance sampling) y entrenamiento causal. El resultado principal es que la PINN estima M_Ni0 dentro del rango de literatura en 2 de 3 objetos sin conocer la relación de Phillips, supera por poco a los Gaussian Processes en escenarios realistas con huecos continuos, y descubre de forma independiente un valor de opacidad κ̄ ≈ 0.10 días⁻¹ consistente con el consenso astrofísico.
Poster del proyecto.
Links:
Proyecto 47¶
Autores:
Resumen:
Links: