Las Ecuaciones en Derivadas Parciales (EDPs) constituyen la base fundamental del modelado matemático en mecánica y en las ciencias naturales, impulsando avances en análisis, métodos numéricos y matemáticas aplicadas. Hoy en día, el auge del Aprendizaje Automático (Machine Learning, ML) y la Inteligencia Artificial (IA) plantea oportunidades transformadoras, pero también desafíos, para las metodologías clásicas basadas en EDPs. ¿Puede el ML mejorar las técnicas de EDPs sin sacrificar el rigor matemático? ¿Podemos desarrollar marcos computacionales híbridos que aprovechen los enfoques basados en datos, manteniendo a la vez la fiabilidad de los métodos tradicionales?
Objetivo
El interés de esta reunión de trabajo se centrará en el enfoque teórico-práctico del manejo de métodos del aprendizaje automático en el estudio de ecuaciones diferenciales parciales. Está dirigido a estudiantes avanzados de licenciatura y de posgrado, así como académicos con expertise en área afines.
Las activitividades que se realizarán incluyen cursos, sesiones prácticas y conferencias presenciales.
Fechas importantes
- Fecha límite de solicitud de beca: septiembre 21, 2025
- Fecha de resultados de beca: septiembre 30, 2025
Todos los asistentes deben realizar su registro.
Ponentes Invitados Confirmados
- Enrique Zuazua, Friedrich Alexander Universität Erlangen Nürnberg
- Stephen Wright, Wisconsin Institute for Discover, University of Wisconsin-Madison.
- Víctor Hernández Santamaría, Instituto de Matemáticas, Universidad Nacional Autónoma de México
- Juan Daniel Meshir Vargas, Universidad de Guadalajara
- Subrata Majumdar, Instituto de Matemáticas, Universidad Nacional Autónoma de México
- Oscar Dalmau Cedeño, Cimat
- María de la Luz Jimena de Teresa, IMATE,UNAM
Comité Organizador
María de la Luz Jimena de Teresa, IMATE,UNAM
Oscar Dalmau Cedeño, Cimat
Silvia Jerez Galiano, Cimat
