SciML para abordar problemas científicos y de ingeniería desafiantes: JuliaCon 2025
Tuve la oportunidad de participar en JuliaCon 2025 en Pittsburgh, PA, un encuentro increíblemente exitoso de científicos de primer nivel, entre ellos científicos de la computación, matemáticos, ingenieros y físicos. Estas son mis principales conclusiones:
En aplicaciones donde recopilar grandes conjuntos de datos es costoso o poco práctico, las soluciones puramente basadas en datos a menudo no logran producir modelos de aplicación universal. Un remedio poderoso para esto es SciML, que combina enfoques basados en datos con modelos mecanicistas fundamentados en leyes físicas. Un marco particularmente elegante en este ámbito son las Ecuaciones Diferenciales Universales, desarrolladas por investigadores destacados como el Dr. Chris Rackauckas y el Dr. Alan Edelman. En este enfoque, los fenómenos físicos se modelan mediante ecuaciones diferenciales que incorporan un "aproximador universal", es decir, un modelo con abundantes parámetros, como una red neuronal, capaz de aproximar cualquier función. Puedes leer más al respecto aquí.
En la práctica, SciML exige algoritmos de optimización eficientes, solucionadores de sistemas lineales y herramientas para manejar la rigidez (es decir, la presencia de escalas de tiempo muy diferentes en las ecuaciones diferenciales). El ecosistema SciML de Julia sobresale en todos estos aspectos, abstrayendo gran parte de la complejidad matemática y de implementación para el usuario. Por ejemplo, las API que ofrece DifferentialEquations.jl permiten escribir código que se siente notablemente similar a escribir matemáticas, algo con lo que los ingenieros suelen sentirse cómodos. Gracias a la eficiente compilación JIT de Julia y a sus completas bibliotecas numéricas, el lenguaje es muy adecuado para aplicaciones de automatización, control y tiempo real, incluido el despliegue en sistemas embebidos como controladores Raspberry Pi y Arduino.
Me impresionó especialmente Lux.jl, que no solo ofrece las funcionalidades que he utilizado anteriormente en PyTorch —como atención multicabeza, capas recurrentes y capas convolucionales—, sino que también proporciona interfaces de alto nivel que facilitan el entrenamiento de redes neuronales profundas. Además, su integración fluida con Optimization.jl y NonlinearSolve.jl la hace ideal para construir modelos sustitutos y realizar optimización de parámetros, tareas muy relevantes para la ingeniería de perforación. ¡Atentos a futuras publicaciones en esta área!
Julia no está exenta de limitaciones: todavía presenta dificultades para crear ejecutables independientes y tiene margen de mejora en la documentación de errores. Dicho esto, el lenguaje evoluciona rápidamente. Sigo considerando que Python es superior para ciertas tareas, como el desarrollo web y, al menos por ahora, el desarrollo de modelos puramente basados en datos. Afortunadamente, Julia y Python pueden integrarse sin problemas mediante JuliaCall y PyCall, que he utilizado ampliamente en mi investigación.
SciML es un campo emocionante y en rápido crecimiento, con un potencial inmenso. Creo que ofrece importantes oportunidades de investigación en mi área, en particular en la evaluación de riesgos en tiempo real y en el modelado de parámetros desconocidos en sistemas complejos, como el factor de fricción en los modelos de torque y arrastre.