Enseñar a las redes neuronales a dejarse llevar
Para muchos sectores, como la medicina o la ingeniería, e incluso para crear unos efectos especiales convincentes en las películas, es esencial entender cómo se mueven los fluidos en el espacio tridimensional. El proyecto financiado con fondos europeos realFlow ha tratado de mejorar la conexión entre los modelos de fluidos y el mundo real aplicando un método de aprendizaje automático. Normalmente, los modelos de fluidos se construyen de forma que imiten la física del mundo real, lo que ofrece a los investigadores la capacidad de ejecutar simulaciones que son más rápidas y baratas de llevar a cabo que los experimentos físicos. realFlow intentó lo contrario. El proyecto se propuso crear un sistema que pudiese capturar la física subyacente de ejemplos del mundo real. «Por ejemplo, querríamos que apareciese una nube de humo en algún lugar y poder predecir cómo se comportan los movimientos del aire subyacentes», explica el coordinador del proyecto, Nils Thuerey, quien trabaja en la Universidad Técnica de Múnich. El objetivo era poder hacer esto usando únicamente imágenes bidimensionales. Para lograrlo, Thuerey y sus colegas decidieron en una fase temprana aplicar un método de aprendizaje automático. Se introdujeron datos sobre los movimientos de los fluidos, como la densidad del humo y la velocidad de flujo, en las redes neuronales, a las que se permitió proponer sus propias descripciones de la física implicada.
Alas, clima y sangre
«La propuesta original era trabajar con datos obtenidos de las observaciones y las simulaciones para determinar lo que sucedía», comenta Thuerey. «Evidentemente, aprovechamos el desarrollo de la inteligencia artificial conseguido en los últimos años. Desarrollamos un aprendizaje automático basado en conjuntos de datos para ser capaces de resolver estos problemas diferentes». Thuerey añade que su equipo es de los primeros en conectar estos problemas físicos con algoritmos de aprendizaje automático. La capacidad de comprender los procesos físicos subyacentes que afectan a un fluido a partir de grabaciones de su movimiento tiene una serie de aplicaciones, como el análisis del flujo de aire sobre las alas de las aeronaves o las fuerzas que generan sistemas climáticos. Tal como señala Thuerey, también se puede aplicar a la medicina. «Por ejemplo, en el caso de un marcador que se inyecta en las venas, donde se puede ver el movimiento de una cantidad conocida en un terreno desconocido», explica. «Si los médicos obtienen información instantánea sobre la distribución de la presión en la vena de un paciente, podrían ajustar lo que hacen en tiempo real».
Señales de humo
El equipo de Thuerey también trató de mejorar la velocidad y calidad con que se podían simular los efectos del humo a través de una biblioteca de datos pregenerados. Una red neuronal construye un modelo simplificado del flujo esperado tomando las posiciones iniciales y la velocidad de las partículas de humo. Después, busca grabaciones de alta calidad que coincidan con esas condiciones en la base de datos. La investigación recibió el apoyo del Consejo Europeo de Investigación (CEI). Tal como señala Thuerey: «La subvención fue extremadamente eficaz y nos permitió trabajar sin dedicar demasiado tiempo a redactar solicitudes de becas y sin preocuparnos por tener resultados inmediatos poco después». Añade que la subvención del CEI también contribuyó a su desarrollo profesional, ya que fue un argumento sólido para conseguir un puesto permanente en la Universidad Técnica de Múnich. Desde entonces, el equipo tiene garantizada una beca de consolidación para seguir avanzando en sus investigaciones. Thuerey concluye: «Este campo, que combina aprendizaje profundo y simulación física, ha crecido mucho. Ahora estamos preparados para dar el siguiente paso y llevarlo a aplicaciones prácticas. Quedan muchos retos emocionantes por abordar».
Palabras clave
realFlow, humo, fluido, simulaciones, velocidad, densidad, dimensional, presión, distribución
