En el encuentro, que se realizará a fines de noviembre en el Campus San Joaquín y cuyas inscripciones están abiertas, se darán a conocer estudios que se ubican en la frontera entre el aprendizaje de máquinas y la ciencia computacional y la ingeniería. Además, se buscará generar lazos y comunidad entre los interesados en este campo de investigación que empezó a cobrar fuerza hace apenas 10 años.
Este 29 y 30 de noviembre, el Campus San Joaquín de la Universidad Católica será sede del Workshop on Scientific Machine Learning: Mathematics and Applications (WoSciML 2022), evento en el que se darán cita expertos de diversas disciplinas que presentarán investigaciones que se encuentran en la frontera entre el aprendizaje de máquinas y la ciencia computacional y la ingeniería. Se trata de uno de los primeros eventos que se realiza en Chile en torno a scientific machine learning, una disciplina nueva cuyo potencial está generando muchas expectativas al ser un área de encuentro entre modelos científicos tradicionales y metodologías de aprendizaje de máquinas como el llamado deep learning.
Federico Fuentes, Manuel Sánchez y Carlos Sing Long -todos profesores del Instituto de Ingeniería Matemática y Computacional (IMC)- son los co organizadores de WoSciML 2022, el que contará con presentadores tanto nacionales como internacionales provenientes de universidades como la Universidad de Winsconsin y la Universidad de Notre Dame (Estados Unidos). Sing Long, doctor en ingeniería computacional y matemática, señala que para conocer el origen del campo conocido como scientific machine learning hay que remontarse al menos 10 años.
“Durante la última década, hubo mucho interés por las técnicas de ciencia de datos, aprendizaje de máquinas e inteligencia artificial, especialmente por el éxito que han tenido en aplicaciones como el reconocimiento de patrones, los sistemas de recomendación y otros servicios en línea”, comenta el académico. Ante esos hitos, agrega Sing Long, surgió la pregunta de si “estas técnicas pueden, además, tener un impacto en otras áreas tradicionales de la ingeniería, como la ingeniería eléctrica, la ingeniería mecánica, de fluidos o estructural, donde existen modelos que están sustentados en la física y para los que hay una serie de desarrollos de técnicas para resolver ciertos problemas que son de interés durante los últimos 100 años”.
Precisamente, afirma el académico, una de las incógnitas que intenta abordar el scientific machine learning es en qué medida “las herramientas de inteligencia artificial podrían ser útiles para los investigadores y profesionales que trabajan en áreas más tradicionales de la ciencia y la ingeniería”. Cuando se habla de reconocimiento de imágenes o sistemas de recomendación, explica Sing Long, "no hay ningún principio físico que diga, por ejemplo, estas son las ecuaciones que rigen el comportamiento del consumidor, mientras que uno sabe cuáles son las leyes físicas que rigen el comportamiento de un sistema mecánico. Entonces la pregunta es si al tener esa información y combinarla con estas herramientas se puede llegar a una mejor solución o si se pueden abrir áreas de investigación novedosas para enfrentar problemas desafiantes en las áreas más tradicionales de la ingeniería”.
Carlos Sing Long, académico IMC y co organizador del workshop.
Si bien en entidades extranjeras como la Universidad Técnica de Münich (Alemania) y la Universidad de Texas en Austin (Estados Unidos) ya existen grupos de trabajo organizados en torno a scientific machine learning, en Chile aún no existen iniciativas de este tipo. Por ese motivo, al ser uno de los primeros eventos en su tipo organizados en el país, se espera que permita posicionar al IMC como un punto de encuentro para abordar esta temática y, además, generar lazos entre los investigadores.
“Hay investigadores que trabajan en aprendizaje de máquinas y que están interesados en aprender acerca de problemas en ingeniería. También hay otros investigadores que han trabajado en la simulación y resolución numérica de problemas en ingeniería y que están interesados en el aprendizaje de máquinas. Algunos de ellos estudian problemas particulares, como la turbulencia, y para los cuales aún hay preguntas abiertas en relación a su modelamiento. Frente a estos escenarios nos preguntamos si no valdría la pena invitar a gente que tenga intereses afines con el área para generar una discusión con ellos y ver si podemos generar sinergias y proyectos en conjunto”, cuenta Carlos Sing Long. En ese sentido, agrega el académico, el objetivo de WoSciML 2022 es “empezar a generar comunidades, establecer redes de investigación, comenzar a identificar problemas que son difíciles y otros en los que tal vez estas técnicas puedan tener un mayor impacto”.
Áreas de aplicación
Hoy existen diversas disciplinas que se podrían beneficiar del uso de scientific machine learning y que van desde el desarrollo de energías limpias, el estudio del cambio climático, el diseño de estructuras urbanas sustentables, el acceso al agua limpia y la medicina personalizada, entre muchas otras. Es por eso que entre los presentadores de WoSciML se cuentan investigadores como Paula Aguirre -doctora en astrofísica del IMC y cuya especialidad abarca el análisis de datos geoespaciales y la percepción remota-, Daniele Schiavazzi -profesor de la Universidad de Notre Dame (EE.UU.) y cuyos estudios abarcan el modelamiento del sistema cardiovascular y el procesamiento de imágenes médicas- e Ignacio Muga, académico de la Pontificia Universidad Católica de Valparaíso que se dedica al modelamiento matemático y el análisis numérico.
En este sentido, Carlos Sing Long comenta dos ejemplos del potencial que hoy tiene el área de scientific machine learning. “Uno es la física a nivel planetario. Cuando tienes imágenes satelitales de la atmósfera, de las mareas o de la temperatura, tú sabes caracterizar bien las ecuaciones que rigen estos fenómenos. Sin embargo, en general estos modelos son muy complejos porque obviamente son fenómenos a una escala enorme. En esos casos, a uno le gustaría desarrollar a partir de las observaciones satelitales modelos simplificados para estos fenómenos y que describan su comportamiento a gran escala. Es en estos escenarios, en los que se dan problemas difíciles de abordar con herramientas tradicionales, donde el scientific machine learning podría tener un impacto importante”, indica el académico.
El segundo ejemplo está relacionado con el descubrimiento de ciertos fármacos o materiales. “Los investigadores en ciencia de materiales tienen una idea de la estructura que debe tener un material para que tenga ciertas propiedades y hacen experimentos para ver si pueden crear ese material. Pero obviamente mientras más avanza el desarrollo, más difícil es encontrar el material justo que tenga las propiedades especiales que se quieren”. En ese contexto, indica Sing Long, “sería interesante desarrollar métodos que a uno le digan, por ejemplo, ‘esta es más o menos la estructura que ustedes deberían combinar’ o ‘este tipo de aleación es la que tiene las propiedades mecánicas que les interesa’”.
Algo similar ocurre en el desarrollo de algunos medicamentos, ya que según señala el académico, hay muchos estudios clínicos realizados para fármacos que nunca llegan al mercado porque su efecto no resultó ser significativo y esa información se pierde. “Pero uno se podría preguntar si, dado que uno sabe el por qué esa estructura molecular no funciona, al asimilar toda esa información se podría decir ‘lo que faltaba era esto’. Estas herramientas también te podrían indicar ‘¿Sabes qué? Tu propuesta se parece mucho a estas otras dos que fallaron, entonces trata de hacer otra cosa’. Por eso estas herramientas son importantes, porque hay problemas científicos donde las posibilidades son muchas y tener una herramienta que te permita la búsqueda de algunas posibles respuestas sería súper útil”.
El desarrollo de fármacos es uno de los campos que podría beneficiarse con el uso de scientific machine learning.
La información y el formulario de inscripción del workshop -el cual tiene como sponsors a la Pontificia Universidad Católica de Chile, el Instituto de Ingeniería Matemática y Computacional (IMC) y el Centro Nacional de Inteligencia Artificial (Cenia)- están disponibles en el siguiente enlace.