Aprendizaje reforzado en problemas de física: Optimización de un resonador
Enviado: 11-04-2025
|Aceptado:
|Publicado: 31-07-2025
Derechos de autor 2025 Modelling in Science Education and Learning
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Descargas
Palabras clave:
Inteligecia artificial, apredizaje por refuerzo, problemas en física, optimización
Agencias de apoyo:
Resumen:
La optimización es un contenido que forma parte de prácticamente todos los temarios de cálculo de los primeros cursos de carreras técnicas. Por otro lado, la optmización de sistemas físicos es una pieza clave en la utilización de los mismos en inegniería. En este artículo pretendemos resolver el problema físico de encontrar el resonador de Helmholtz que, con el volumen más pequeño posible, tenga la frecuencia de resonancia lo más pequeña posible. De esta manera tenemos un problema matemático con significado físico y donde además los alumnos conocen los métodos tradicionales basados en el gradiente de la función y el estudio del Hessiano. Aprovecharemos este contexto conocido para abordar el problema utilizando la técnica de Inteligencia Artificial conocida como Aprendizaje por Refuerzo, lo que puede allanar el camino de su comprensión por parte del alumnado. El ejemplo aquí planteado corresponde a un nivel de postgrado.
Citas:
Arnau Notari, A. R., García Raffi, L. M., Calabuig Rodriguez, J. M., & Sánchez Pérez, E. A. (2023). Enseñanza del aprendizaje por refuerzo con un sencillo ejemplo de minimización de funciones. IN-RED 2023: IX Congreso de Innovación Educativa y Docencia en Red https://doi.org/10.4995/INRED2023.2023.16617
Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning. MIT Press http://www.deeplearningbook.org
Herrero-Durá, I., Cebrecos, A., Garcia-Raffi, L. M. & Romero-García, V. (2019). Matrix formulation in Acoustics: the transfermatrix method. Modelling in Science Education and Learning. Vol.12 (2), 2019. https://doi.org/10.4995/msel.2019.12148
Ernst, D., Geurts, P., & Wehenkel, L. (2005). Tree-based batch mode reinforcement learning. Journal of Machine Learning Research. Vol.6 https://www.jmlr.org/papers/volume6/ernst05a/ernst05a.pdf
Jiménez,N., Groby, J. P., & Romero-García, V. (2021). The Transfer Matrix Method in Acoustics: Modelling One-Dimensional Acoustic Systems, Phononic Crystals and Acoustic Metamaterials. In Acoustic Waves in Periodic Structures, Metamaterials, and Porous Media: From Fundamentals to Industrial Applications. https://doi.org/10.1007/978-3-030-84300-7_4
Jiménez, N., Umnova, O. & Groby, J. P. Springer. Topics in Applied Physics Series. https://doi.org/10.1007/978-3-030-84300-7
Mnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., & Riedmiller, M. (2013). Playing atari with deep reinforcement learningientes. arXiv preprint. arXiv:1312.5602. doi:10.48550/arXiv.1312.5602
Sancho-Barrios, L., Sanmartín-Vich, N., & de la Resurrección, C. R. (2021). Redes neuronales en el fútbol. Modelling in Science Education and Learning, 14(1), 15-32. https://doi.org/10.4995/msel.2021.15023
Watkins, C. J. C. H. (1989). Learning from delayed rewards. Doctoral dissertation, King's College, Cambridge.
Wolfram Research, Inc. (2023). Mathematica, Version 13.3. Retrieved from https://www.wolfram.com/mathematica Champaign, IL.
