COURSES

1. Short Course given by Enrique Zuazua 

PDEs Meet Machine Learning: Integrating Numerics, Control, and Machine Learning 

This course explores these questions through an interdisciplinary lens, bridging PDE theory, control, and ML. We examine the intrinsic connections between representation, optimization, and control theory—rooted in cybernetics (from Ampère to Wiener) and historically motivated by the quest to design intelligent machines. Interestingly, the goals of control theory align closely with those of modern AI, emphasizing mathematics’ unifying power in modeling and innovation. 

EDPs y Aprendizaje Automático: Integrando Métodos Numéricos, Control y Aprendizaje Automático 

En este curso exploraremos estas cuestiones desde una perspectiva interdisciplinar, tendiendo puentes entre la teoría de EDPs, el control y el Aprendizaje Automático. Examinaremos las conexiones intrínsecas entre representación, optimización y teoría del control, enraizadas en la cibernética (desde Ampère hasta Wiener) e históricamente motivadas por la búsqueda de diseñar máquinas inteligentes. Curiosamente, los objetivos de la teoría del control se alinean estrechamente con los de la IA moderna, poniendo de relieve el poder unificador de las matemáticas en el modelado y la innovación. 

2. Practice Course given by Juan Daniel Meshir Vargas 

Physics-Informed Neural Networks (PINNs) 

Session 1: Introduction to PINNs and Mathematical Background 

• Motivation: Why physics-informed learning?
• Overview of traditional neural networks vs. PINNs
• Walkthrough of a simple ODE example with PINNs 

Session 2: PINNs for Solving Forward PDE Problems 

• Constructing loss functions with PDE residuals and boundary conditions
• Training a PINN for the 1D Poisson equation
• Hands-on: Build your first PINN in PyTorch. 

CONFERENCES

Thursday, October 9th

Víctor Hernández Santamaría
TBA

Subrata Majumdar
TBA

Friday, October 10th

Stephen Wright 
TBA

Oscar Dalmau Cedeño
TBA