Integración de la inteligencia artificial y los modelos matemáticos para la resolución de problemas complejos: una revisión bibliográfica
DOI:
https://doi.org/10.63688/95dv3370Palabras clave:
inteligencia artificial, modelos matemáticos, resolución de problemas complejos, aprendizaje automático, optimización computacionalResumen
La presente investigación tuvo como objetivo analizar la integración de la inteligencia artificial y los modelos matemáticos en la resolución de problemas complejos en diferentes disciplinas científicas y tecnológicas. Se desarrolló una revisión bibliográfica estructurada, con enfoque cualitativo y alcance descriptivo-analítico, considerando 15 publicaciones científicas correspondientes al período 2019–2023. El análisis documental se organizó en cinco categorías temáticas: integración de inteligencia artificial y fundamentos matemáticos, optimización algorítmica y simulación computacional, predicción de sistemas dinámicos y fenómenos naturales, aplicaciones en descubrimiento científico e interpretabilidad de modelos inteligentes. Se examinaron enfoques como redes neuronales informadas por principios físicos, operadores neuronales, aprendizaje automático, aprendizaje por refuerzo profundo, simulación numérica y predicción computacional. Los resultados identificaron oportunidades para aproximar soluciones de ecuaciones diferenciales, optimizar algoritmos matemáticos, mejorar simulaciones computacionales, predecir fenómenos dinámicos y contribuir al descubrimiento científico. Sin embargo, las diferencias entre arquitecturas computacionales, formulaciones matemáticas, métricas de evaluación y contextos de aplicación impidieron establecer efectos cuantitativos uniformes entre las investigaciones. Se concluyó que la integración de inteligencia artificial y modelos matemáticos constituye una alternativa relevante para abordar problemas complejos, siempre que se acompañe de formulaciones matemáticas rigurosas, información confiable, validación computacional e interpretación adecuada de los resultados. Se recomienda desarrollar investigaciones que comparen algoritmos inteligentes con métodos matemáticos convencionales y evalúen su precisión, eficiencia computacional, capacidad de generalización e interpretabilidad.
Referencias
Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., & Tian, Q. (2023). Accurate medium-range global weather forecasting with 3D neural networks. Nature, 619, 533–538. https://doi.org/10.1038/s41586-023-06185-3
Brunton, S. L., Noack, B. R., & Koumoutsakos, P. (2020). Machine learning for fluid mechanics. Annual Review of Fluid Mechanics, 52, 477–508. https://doi.org/10.1146/annurev-fluid-010719-060214
Cuomo, S., Schiano Di Cola, V., Giampaolo, F., Rozza, G., Raissi, M., & Piccialli, F. (2022). Scientific machine learning through physics-informed neural networks: Where we are and what's next. Journal of Scientific Computing, 92, Article 88. https://doi.org/10.1007/s10915-022-01939-z
Degrave, J., Felici, F., Buchli, J., Neunert, M., Tracey, B., Carpanese, F., Ewalds, T., Hafner, R., Abdolmaleki, A., de las Casas, D., Donner, C., Fritz, L., Galperti, C., Huber, A., Keeling, J., Tsimpoukelli, M., Kay, J., Merle, A., Moret, J.-M., . . . Riedmiller, M. (2022). Magnetic control of tokamak plasmas through deep reinforcement learning. Nature, 602, 414–419. https://doi.org/10.1038/s41586-021-04301-9
Fawzi, A., Balog, M., Huang, A., Hubert, T., Romera-Paredes, B., Barekatain, M., Novikov, A., Ruiz, F. J. R., Schrittwieser, J., Swirszcz, G., Silver, D., Hassabis, D., & Kohli, P. (2022). Discovering faster matrix multiplication algorithms with reinforcement learning. Nature, 610, 47–53. https://doi.org/10.1038/s41586-022-05172-4
Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., Tunyasuvunakool, K., Bates, R., Žídek, A., Potapenko, A., Bridgland, A., Meyer, C., Kohl, S. A. A., Ballard, A. J., Cowie, A., Romera-Paredes, B., Nikolov, S., Jain, R., Adler, J., . . . Hassabis, D. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. https://doi.org/10.1038/s41586-021-03819-2
Karniadakis, G. E., Kevrekidis, I. G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3, 422–440. https://doi.org/10.1038/s42254-021-00314-5
Kochkov, D., Smith, J. A., Alieva, A., Wang, Q., Brenner, M. P., & Hoyer, S. (2021). Machine learning–accelerated computational fluid dynamics. Proceedings of the National Academy of Sciences, 118(21), Article e2101784118. https://doi.org/10.1073/pnas.2101784118
Lam, R., Sanchez-Gonzalez, A., Willson, M., Wirnsberger, P., Fortunato, M., Alet, F., Ravuri, S., Ewalds, T., Eaton-Rosen, Z., Hu, W., Merose, A., Hoyer, S., Holland, G., Vinyals, O., Stott, J., Pritzel, A., Mohamed, S., & Battaglia, P. (2023). Learning skillful medium-range global weather forecasting. Science, 382(6677), 1416–1421. https://doi.org/10.1126/science.adi2336
Li, Z., Kovachki, N., Azizzadenesheli, K., Liu, B., Bhattacharya, K., Stuart, A., & Anandkumar, A. (2021). Fourier neural operator for parametric partial differential equations [Artículo de conferencia]. International Conference on Learning Representations. https://openreview.net/forum?id=c8P9NQVtmnO
Merchant, A., Batzner, S., Schoenholz, S. S., Aykol, M., Cheon, G., & Cubuk, E. D. (2023). Scaling deep learning for materials discovery. Nature, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., . . . Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, Article n71. https://doi.org/10.1136/bmj.n71
Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707. https://doi.org/10.1016/j.jcp.2018.10.045
Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., Carvalhais, N., & Prabhat. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566, 195–204. https://doi.org/10.1038/s41586-019-0912-1
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1, 206–215. https://doi.org/10.1038/s42256-019-0048-x
Willard, J., Jia, X., Xu, S., Steinbach, M., & Kumar, V. (2023). Integrating scientific knowledge with machine learning for engineering and environmental systems. ACM Computing Surveys, 55(4), Article 66. https://doi.org/10.1145/3514228
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Edwin Xavier Escobar Guanoluisa, Roberth Damián Guamani Guamani, Alex Fernando León Chancusig, Gladys Marisol Rodríguez Vallejo, María José Peñaranda Loor (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
