.jpg)
En l’àmbit de l’enginyeria assistida per intel·ligència artificial, les xarxes neuronals informades per la física (PINNs) han emergit com una eina poderosa per resoldre problemes inversos governats per equacions diferencials parcials (EDP). No obstant això, el seu entrenament s’enfronta a dificultats numèriques com la competència entre pèrdues, compensació de paràmetres i optimització mal condicionada. Quan s’intenta reutilitzar un model preentrenat mitjançant transferència d’aprenentatge, sorgeix el risc de transferència negativa: el model s’adapta superficialment al nou domini, però recupera paràmetres físics incorrectes, especialment si els mecanismes dominants, els paràmetres de govern o el soroll d’observació difereixen entre la font i el destí. Per sortejar aquest obstacle, s’ha proposat una metodologia nova que aplica un reajust selectiu guiat per l’objectiu (Target-Guided Selective Reweighting, TGSR). En lloc d’un afinat fi complet, aquesta estratègia transfereix només pesos i biaixos de la xarxa font, inicialitza de forma independent els paràmetres físics objectiu i, després d’una breu fase d’adaptació, avalua la rellevància de cada neurona mitjançant sensibilitat de Taylor de primer ordre i variància pre-activació. Les neurones amb baixa contribució reben senyals d’adaptació feble modelades amb una mescla de Gaussianes, aplicant-se un decaïment suau selectiu als seus pesos d’entrada i biaixos, en lloc de poda dura o reinici aleatori. Així es preserva el coneixement útil mentre es corregeixen representacions perjudicials.
Aquest enfocament té implicacions pràctiques profundes. En tasques com la difusió-advecció 2D amb alt nombre de Péclet o la transferència entre famílies d’EDP (Allen-Cahn a Burgers), TGSR-PINN aconsegueix recuperar paràmetres objectiu amb alta precisió, mantenint l’exactitud del camp. Fins i tot en condicions sorolloses (5% de soroll en difusió-reacció), la tècnica demostra robustesa. Els estudis d’ablació confirmen que el scoring neuronal, l’estimació de senyals d’adaptació feble, la protecció per capes i el decaïment suau selectiu són components essencials per a l’èxit.
Des d’una perspectiva empresarial i tecnològica, aquesta línia de recerca obre la porta a aplicacions industrials on els models de simulació s’han de reutilitzar en escenaris amb dades escasses o condicions canviants. Per exemple, en sectors com l’enginyeria mecànica, l’optimització de processos químics o la modelització de materials, un sistema de ia per a empreses que integri tècniques de transferència robusta pot accelerar dràsticament els cicles de disseny i reduir costos computacionals. A Q2BSTUDIO, desenvolupem aplicacions a mida que incorporen intel·ligència artificial adaptativa, permetent als nostres clients desplegar solucions de simulació inversa sense necessitat de reentrenar des de zero cada variant del problema. El nostre equip combina experiència en programari a mida amb coneixements profunds en optimització numèrica i xarxes neuronals, oferint serveis cloud aws i azure per escalar els entrenaments i desplegar models en producció. A més, complementem aquestes capacitats amb serveis intel·ligència de negoci com power bi per visualitzar resultats, i amb ciberseguretat per protegir dades sensibles. La tendència cap a agents IA autònoms que ajustin dinàmicament els seus paràmetres físics a partir d’observacions reals és cada cop més propera, i comptar amb un soci tecnològic que domini aquestes tècniques marca la diferència.
