Investigadores han desarrollado un novedoso algoritmo, conocido como Representación Informada por Física (PIR), destinado a abordar los problemas de control en sistemas de ecuaciones diferenciales parciales (PDE). Estos sistemas son clave en campos que van desde la dinámica de fluidos hasta la física de plasmas. Los desafíos de control en PDE incluyen la escasez de datos debido a la disposición y el fallo de sensores, lo que requiere que los algoritmos sean lo suficientemente robustos para adaptarse a información incompleta.

El algoritmo PIR utiliza una red neuronal para identificar y representar sistemas PDE a través de una pérdida calculada por la ecuación de PDE y datos escasos. Esto habilita transferir la información de condiciones iniciales y de frontera de manera eficiente en el proceso de control, optimizando así el control en tareas complejas, como el pilotaje de un robot a través de un vórtice desde ubicaciones y destinos aleatorios con una precisión mayor que otros métodos convencionales.

El PIR también ofrece una mejora significativa en los tiempos de inferencia, lo que facilita su aplicación en tareas de control en tiempo real. Este nuevo enfoque también se beneficia de la integración con redes neuronales informadas por fisiología (PINNs), las cuales incorporan información física conocida en sus algoritmos, mejorando así su exactitud y generalización cuando los datos son escasos.

Los ensayos han demostrado que PIR es capaz de superar métodos base al presentar mayor consistencia con las características de verdad del terreno, incluso en presencia de modalidades ausentes, lo que lo convierte en una herramienta prometedora para futuras aplicaciones en el control de sistemas PDE complejos. Esto, sumado a su éxito en tareas de control descendentes (como la planificación de rutas de robots), posiciona a PIR como una innovación en el campo del aprendizaje automático y el control dinámico, subrayando su potencial para avanzar en las políticas de control de sistemas con observaciones inciertas.