Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

PID2021-125159NB-I00

Financiado

CUANTIFICACION DE INCERTIDUMBRE EN MODELOS FISICOS ESTOCASTICOS: FILTROS PROFUND...

CUANTIFICACION DE INCERTIDUMBRE EN MODELOS FISICOS ESTOCASTICOS: FILTROS PROFUNDOS Y METODOS DE MONTE CARLO ESPACIO-TEMPORALES MUCHOS FENOMENOS DE INTERES EN LAS CIENCIAS FISICAS SE REPRESENTAN MEDIANTE MODELOS DINAMICOS CUYO ESTADO (DESCONOCIDO) DEBE ESTIMARSE A PARTIR DE OBSERVACIONES EXPERIMENTALES. ES HABITUAL DESCRIBIR LA EVOLUCION TEMPORAL DEL ESTAD... ver más

01/01/2021

UC3M

107K€

Presupuesto del proyecto: 107K€

Líder del proyecto

UNIVERSIDAD CARLOS III DE MADRID No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 1332

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2021-01-01 No tenemos la información de la convocatoria

0% 100%

Participantes

UC3M

Lider

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Proyectos interesantes

PRE2021-101090 ECUACIONES DIFERENCIALES ALEATORIAS. CUANTIFICACION DE LA IN... 101K€ Cerrado

PID2021-126813NB-I00 ANALISIS MATEMATICO Y NUMERICO DE ECUACIONES EN DERIVADAS PA... 116K€ Cerrado

HighLEAP High-dimensional mathematical methods for LargE Agent and Pa... 1M€ Cerrado

StoConYuQED Stochastic Quantisation of Quantum Field Theories with Boson... 173K€ Cerrado

MTM2010-14837 TEORIA CUALITATIVA Y APLICACIONES DE ECUACIONES DIFERENCIALE... 42K€ Cerrado

MTM2016-77660-P NUEVOS RETOS EN INTEGRACION NUMERICA: FUNDAMENTOS ALGEBRAICO... 83K€ Cerrado

Líder del proyecto

UNIVERSIDAD CARLOS III DE MADRID No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 1332

Presupuesto del proyecto 107K€

Descripción del proyecto MUCHOS FENOMENOS DE INTERES EN LAS CIENCIAS FISICAS SE REPRESENTAN MEDIANTE MODELOS DINAMICOS CUYO ESTADO (DESCONOCIDO) DEBE ESTIMARSE A PARTIR DE OBSERVACIONES EXPERIMENTALES. ES HABITUAL DESCRIBIR LA EVOLUCION TEMPORAL DEL ESTADO MEDIANTE ECUACIONES DIFERENCIALES ORDINARIAS (EDOS) O MEDIANTE ECUACIONES EN DERIVADAS PARCIALES (EDPS). AUNQUE ESTAS ECUACIONES GENERALMENTE REFLEJAN UN CONOCIMIENTO BIEN ESTABLECIDO DEL COMPORTAMIENTO DEL SISTEMA FISICO, SUELEN ESTAR SUJETAS A ERRORES O PERTURBACIONES QUE ESCAPAN A NUESTRO CONTROL. UNA MANERA DE ABORDAR ESTE PROBLEMA ES REPRESENTAR EL FENOMENO FISICO MEDIANTE ECUACIONES DIFERENCIALES ESTOCASTICAS (EDES) O EDPS ESTOCASTICAS (EDPES). ASI, YA NO SE ASUME QUE EL SISTEMA EVOLUCIONE DE UNA MANERA DETERMINISTA Y PREDECIBLE, SINO QUE SE INCORPORA INCERTIDUMBRE AL MODELO. ESTA ES UNA APROXIMACION MAS REALISTA, FLEXIBLE Y ROBUSTA A MUCHOS PROBLEMAS PRACTICOS.EN ESTE PROYECTO ABORDAMOS LOS PROBLEMAS DE ESTIMACION, SEGUIMIENTO Y PREDICCION DE MODELOS FISICOS COMPLEJOS, DE ALTA DIMENSION, EN LOS QUE LA INCERTIDUMBRE DE LAS EDES Y EDPES JUEGA UN PAPEL CRUCIAL. ESTA INCERTIDUMBRE TIENE QUE SER CUANTIFICADA Y PROPAGADA A PARTIR DE LA CONDICION INICIAL DEL MODELO DE UNA MANERA BIEN FUNDAMENTADA. ABORDAMOS EL PROBLEMA DESDE DOS PERSPECTIVAS: EL TRATAMIENTO DE SEÑAL BAYESIANO Y EL APRENDIZAJE PROFUNDO.EL OBJETIVO DEL FILTRADO BAYESIANO ES CALCULAR LA DISTRIBUCION DE PROBABILIDAD DEL ESTADO DE UN SISTEMA DINAMICO CONDICIONADO A UNA SECUENCIA DE OBSERVACIONES RECOGIDA SECUENCIALMENTE. NOS CONCENTRAMOS EN LOS FILTROS DE PARTICULAS (FPS), QUE PROPORCIONAN UNA METODOLOGIA MUY GENERAL PARA OBTENER SOLUCIONES NUMERICAS QUE CONVERGEN (AL INCREMENTAR EL ESFUERZO COMPUTACIONAL) A LA SOLUCION OPTIMA DEL PROBLEMA. EXPLORAREMOS DESARROLLOS RECIENTES (COMO LOS FPS ANIDADOS O LAS TECNICAS DE 'NUDGING' Y 'CLIPPING') Y LAS COMBINAREMOS CON TECNICAS ESPECIFICAS DE DISCRETIZACION DE EDES Y EDPES.EL APRENDIZAJE PROFUNDO (AP) HA EMERGIDO COMO UN MARCO FLEXIBLE Y POTENTE PARA ABORDAR TODO TIPO DE PROBLEMAS DE RECONOCIMIENTO DE PATRONES. EL PROCESADO DE LENGUAJE NATURAL, EL RECONOCIMIENTO DE VOZ O LA VISION POR ORDENADOR SON DISCIPLINAS EN LAS QUE EL AP SE HA CONVERTIDO EN LA TECNOLOGIA DE REFERENCIA. SIN EMBARGO, ESTOS PROBLEMAS SE CARACTERIZAN POR SER ESTATICOS. ADEMAS, LOS METODOS CONVENCIONALES DE AP FUNCIONAN 'OFFLINE', EN EL SENTIDO DE QUE NO ES POSIBLE ACTUALIZAR LA SOLUCION CON NUEVOS DATOS EN TIEMPO REAL. POR LO TANTO, NO ES EVIDENTE COMO UTILIZAR AP PARA REALIZAR FILTRADO BAYESIANO. EN ESTE PROYECTO EXPLORAREMOS AVANCES EN ESTE CAMPO QUE PARECEN ABRIR ESTA POSIBILIDAD. ESTAN BASADOS EN 'NEURAL ODES', UNA ARQUITECTURA DE AP QUE CONECTA LAS REDES DE NEURONAS CON LAS EDOS, PERMITIENDO MODELAR LA EVOLUCION DE UN SISTEMA DINAMICO. AUNQUE ALGUNOS TRABAJOS MUESTRAN RESULTADOS PROMETEDORES, HAY VARIOS ESCOLLOS IMPORTANTES PARA LOGRAR UNA IMPLEMENTACION COMPLETA DE 'FILTROS PROFUNDOS'. EN CONCRETO, ESTOS METODOS NO ESTAN DISEÑADOS PARA TRATAR LA INCERTIDUMBRE INHERENTE A LAS EDES Y EDPES, NI CON OBSERVACIONES QUE NO SEAN OBSERVACIONES DIRECTAS DEL ESTADO DEL SISTEMA.LOS ALGORITMOS DESARROLLADOS EN ESTE PROYECTO SE EVALUARAN EN TRES PROBLEMAS SELECCIONADOS DE GEOFISICA (MODELADO METEOROLOGICO Y DEL CLIMA) Y ASTRODINAMICA (SEGUIMIENTO DE BASURA ESPACIAL Y SATELITES) QUE TIENEN UNA ENORME IMPACTO SOCIO-ECONOMICO Y ESTAN INCLUIDOS EN LOS RETOS GLOBALES IDENTIFICADOS POR EL PROGRAMA HORIZONTE EUROPA DE LA UE. RATAMIENTO ESTADISTICO DE SEÑALES\MODELOS DE CLIMA\FILTRADO ESTOCASTICO\APRENDIZAJE PROFUNDO\FILTROS DE PARTICULAS\CUANTIFICACION DE INCERTIDUMBRE\NAVIER-STOKES\MODELOS DINAMICOS\MONTE CARLO\COMPUTACION BAYESIAN

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores