Uso de herramientas de inteligencia artificial para el estudio de líquidos formadores de vidrios

Abstract

En este trabajo se presenta una primera exploración en la introducción de herramientas de Inteligencia Artificial, particularmente de aprendizaje automático (Machine Learning), para el estudio de líquidos formadores de vidrios mediante la teoría Non-Equilibrium SelfConsistent Generalized Langevin Equation (NESCGLE). Se utilizan diferentes modelos de aprendizaje supervisado y no supervisado, como regresión lineal regularizada (RIDGE y LASSO), clasificación logística y support vector machine (SVC), así como algoritmos de agrupamiento (K-means), con el objetivo de reducir el costo humano y computacional de los cálculos asociados a la teoría y explorar nuevas formas de análisis. Los modelos se entrenaron con datos obtenidos a partir de sistemas físicos modelados con diferentes potenciales de interacción (esfera dura, esfera suave y pozo cuadrado), permitiendo realizar predicciones sobre propiedades dinámicas relevantes como la viscosidad o el estado de arresto. Los resultados muestran que, incluso con modelos relativamente simples, es posible alcanzar niveles de precisión destacables en tareas de predicción de valores de alguna variable y clasificación de datos, abriendo la puerta a futuras aplicaciones más robustas. Este trabajo no pretende cerrar ninguna discusión, sino más bien abrir nuevas posibilidades, tanto en el tratamiento de datos como en la forma de abordar problemas físicos complejos, apoyándose en la capacidad predictiva de las herramientas modernas.