Resumen
La amenaza potencial que representan los impactos de asteroides sobre la Tierra constituye un riesgo significativo para la vida humana y los ecosistemas. Ante este desafío, este estudio propone el uso de Redes Neuronales Informadas por Física (PINN, por sus siglas en inglés) como un enfoque innovador para la predicción y mitigación de eventos de impacto. A diferencia de los modelos tradicionales de aprendizaje automático, las PINN incorporan directamente leyes físicas fundamentales en el proceso de entrenamiento, lo que permite representar con mayor precisión fenómenos complejos gobernados por ecuaciones diferenciales. Esta característica resulta especialmente valiosa para modelar trayectorias de objetos cercanos a la Tierra, simular escenarios de impacto y evaluar sus efectos ambientales. Nuestra metodología se centra en la aplicación de las PINN para construir modelos predictivos capaces de estimar en tiempo real las trayectorias de asteroides, así como calcular probabilidades de impacto con una alta precisión. Además, exploramos su potencial para integrarse en sistemas de alerta temprana, proporcionando una base más sólida para la toma de decisiones ante posibles amenazas espaciales. Los resultados obtenidos demuestran que las PINN no solo mejoran la eficiencia computacional de los modelos existentes, sino que también ofrecen un marco más robusto y explicativo que permite anticipar eventos con mayor fiabilidad. En conjunto, este trabajo posiciona a las PINN como una herramienta crítica dentro de las estrategias de defensa planetaria, ampliando las capacidades predictivas y preventivas para abordar los desafíos que representan los objetos cercanos a la Tierra.
Presentadores
Raul Gutierrez ZalapaInvestigador, Heliofísica y clima espacial, Instituto de Geofísica Unidad Michoacán, Michoacán, Mexico
Details
Presentation Type
Theme
KEYWORDS
Redes Neuronales Informadas por Física, PINN
