Modelos Fundacionales para Sistemas Dinámicos
Descripción de la Investigación
Los modelos fundacionales preentrenados con grandes cantidades de datos han mostrado un rendimiento impresionante en procesamiento de lenguaje natural y visión por computadora. Esta línea de investigación investiga si el mismo paradigma se aplica a sistemas dinámicos — ¿pueden modelos preentrenados en vastas cantidades de sistemas generados aleatoriamente generalizar a sistemas objetivo no vistos?
Estudiamos transformadores preentrenados con datos sintéticos generados mediante funciones dinámicas muestreadas de un espacio de Hilbert con núcleo reproductor. El trabajo inicial evalúa la predicción y la adaptación a sistemas no vistos, con experimentos de carro-péndulo y péndulo de Furuta en simulación y hardware. El ajuste fino permite mejorar el rendimiento en nuevos sistemas. También combinamos estos modelos con un filtro de Kalman unscented para estimación de estado, utilizando un banco de pruebas de un buque portacontenedores con dinámicas variables.
Este trabajo está financiado por la JUPITER AI Factory (JAIF), parte de la iniciativa EuroHPC.