Línea de trabajo

Física computacional

Aceleración de simulaciones físicas, modelado de sistemas complejos e integración de leyes de conservación en arquitecturas de aprendizaje profundo para el sector energético y la ciencia de materiales.

Diagnóstico y Enfoque

El desarrollo de nuevos materiales y los estudios en sectores regulados (como hidrocarburos y energía) se enfrentan a un cuello de botella: las simulaciones rigurosas son extremadamente costosas y los experimentos lentos. Abordamos esto mediante el aprendizaje automático informado por la física (PIML) y modelos surrogates, reduciendo los tiempos de cálculo y garantizando que las predicciones respeten invariables físicas como conservación de masa y energía.

Simulación & Predicción de Propiedades Físicas

IA para Nuevos Materiales y Dispositivos

Aceleración del diseño de materiales y dispositivos electrónicos utilizando modelos surrogates de aprendizaje automático que aprenden a partir de simulaciones físicas y validan con datos experimentales.

Sub-enfoques:

Simulación asistida por IA: Sustitución de simulaciones físicas costosas (Monte Carlo, dinámica molecular, Hamiltonianos) por modelos surrogates rápidos.
Predicción de propiedades: Estimación de propiedades eléctricas, magnéticas o térmicas sin ciclos completos de simulación.
Cierre del ciclo simulación-experimento: Integración bidireccional y calibración de datos de simulación y laboratorio.

Casos de aplicación:

Diseño de nanopartículas magnéticas para sensores · Optimización de materiales para LEDs y transistores · Caracterización acelerada de baterías y celdas solares · Sustratos para espintrónica.

Aliados: UAM, DunderLab

Physics-Informed Machine Learning

IA Informada por la Física (PIML) para el Sector Energético

Modelos predictivos que incorporan ecuaciones e invariantes físicas (como leyes de conservación) en el entrenamiento de redes neuronales, garantizando explicabilidad y consistencia para sectores de alta regulación.

Sub-enfoques:

Estimación de potencial energético: Modelado que integra variables geológicas y ecuaciones termodinámicas (ej. ciclos ORC).
Integración multi-fuente de datos: Consolidación de datos heterogéneos (pozos, series temporales, georreferenciación y subsuelo).
Pre-factibilidad técnica automatizada: Herramientas de priorización de activos mediante criterios técnicos y económicos.

Casos de aplicación:

Geotermia desde agua coproducida en campos O&G · Planeación energética con fuentes no convencionales · Optimización de operaciones en activos maduros · Modelos predictivos para reguladores y operadores.

Aliados: ANH, Minciencias, UTP

Capacidades técnicas

Metodologías y Tecnologías en Física Computacional

Diseñamos arquitecturas avanzadas que integran operadores diferenciales, cálculo fraccionario y simuladores numéricos clásicos con redes neuronales convolucionales y transformers, permitiendo cuantificar la incertidumbre y transferir conocimientos entre diferentes escalas físicas.

Physics-Informed Neural Networks (PINNs)Modelos Surrogate (Surrogate Modeling)Cuantificación de IncertidumbreTransformers & CNNs para Datos EspacialesGIS & Datos GeorreferenciadosTransfer LearningDinámica Molecular & Hamiltonianos

Contacto y Colaboraciones

¿Quieres aplicar IA informada por la física en tu organización?

Trabajamos junto con centros de investigación, la industria energética y de manufactura para codificar principios físicos dentro de modelos predictivos y optimizar sistemas complejos.

Contáctanos