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:
Proyecto 19¶
Autores:
Resumen:
Links:
Proyecto 20¶
Autores:
Resumen:
Links:
Proyecto 21¶
Autores:
Resumen:
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:
Proyecto 25¶
Autores:
Resumen:
Links:
Proyecto 26¶
Autores:
Resumen:
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:
Proyecto 32¶
Autores:
Resumen:
Links:
Proyecto 33¶
Autores:
Resumen:
Links:
Proyecto 42¶
Autores:
Resumen:
Links:
Proyecto 43¶
Autores:
Resumen:
Links:
Proyecto 44¶
Autores:
Resumen:
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: