Los modelos basados ​​en la física con big data pueden hacer suposiciones sistemáticamente mejores

Encontrar una hipótesis razonable puede suponer un desafío cuando existen miles de posibilidades. Es por eso que el Dr. Joseph Song II Kwon intenta presentar las hipótesis de manera general y sistemática.

Kwon, profesor asociado en el Departamento de Ingeniería Química Artie McFerrin de la Universidad Texas A&M, publicó en la revista su trabajo combinando modelos científicos tradicionales basados ​​en la física con datos experimentales para hacer predicciones precisas. Ingeniería Química de la Naturaleza.

La investigación de Kwon se extiende más allá del ámbito de la ingeniería química tradicional. Al conectar las leyes físicas con el aprendizaje automático, su trabajo podría impactar la energía renovable, la fabricación inteligente y la atención médica, como se describe en su último artículo, «Agregando Big Data a la ecuación».

Derivar una hipótesis para una observación empírica suele implicar un proceso de prueba y error. Kwon ha desarrollado un marco sistemático que combina conocimiento especializado con datos empíricos para crear un proceso más eficiente.

«El aspecto más eficaz de esta investigación es su capacidad para cerrar la brecha entre los modelos teóricos y la complejidad del mundo real, creando un marco versátil para resolver problemas complejos», dijo Kwon. «Esta versatilidad significa que los beneficios potenciales pueden llegar a una amplia gama de industrias e impactar significativamente en la vida diaria».

Esta investigación podría conducir al descubrimiento de nuevos fármacos incorporando datos experimentales en estos modelos, dijo Kwon. Este enfoque de modelado híbrido combina conocimiento biológico con datos para acelerar las predicciones de fármacos.

«Desarrollar nuevos medicamentos es caro y lleva mucho tiempo», afirmó Kwon. «Pero con modelos más avanzados podemos acelerar el proceso de descubrimiento y producción. El uso de simulación y aprendizaje automático reduce la necesidad de costosos experimentos de laboratorio, ahorra tiempo y acelera el descubrimiento de nuevos tratamientos».

Su enfoque combina modelos basados ​​en la física con la flexibilidad de componentes basados ​​en datos que pueden ajustar y corregir predicciones basadas en datos experimentales del mundo real.

Kwon planea utilizar estos modelos como columna vertebral para simular sistemas complejos y capturar fenómenos físicos fundamentales que los modelos tradicionales basados ​​en la física por sí solos no pueden capturar.

«Este método nos permite estimar continuamente los parámetros del proceso con el hiperparámetro del componente basado en datos», dijo Kwon. «Al hacer esto, aseguramos que los modelos sean aplicables a una gama más amplia, haciéndolos más versátiles y mejor adaptados para manejar escenarios nuevos y diferentes».

«Los modelos basados ​​puramente en datos se quedan cortos cuando se trata de capturar las complejidades de estos sistemas», afirmó Kwon. «Al combinar los dos métodos, podemos mejorar la eficiencia y confiabilidad de los procesos industriales que son importantes para satisfacer las necesidades cotidianas, como energía, productos químicos y productos farmacéuticos».