BCAMeko ikertzaile postdoktoral Carlos Uriarteren doktorego-tesiak hiru sari jaso ditu

• Ikertzailearen tesia, “Solving Partial Differential Equations using Artificial Neural Networks” izenekoa, ECCOMAS sarietarako zein SEMNIk (Ingeniaritzako Metodo Numerikoen Espainiako Elkartea) eta SEMAk (Matematika Aplikatuko Espainiako Elkartea) urtero ematen dituzten sarietarako onena izan da hautatua.
• 2024ko otsailaren 23an defendatu zen UPV/EHUko Informatika Fakultatean (Leioa), eta, gainera, nazioarteko doktoregoaren aipamena eta gehienezko kalifikazioa (“sobresaliente cum laude”) jaso zituen UPV/EHUko Informatika Fakultatean (Leioa).

Carlos Uriarte, BCAMeko ikertzaile postdoktorala (Diseinu Matematikoa, Modelizazioa eta Simulazioak), hiru aldiz saritua izan da. Bere tesia ECCOMAS sarietarako eta SEMNIk (Ingeniaritzako Metodo Numerikoen Espainiako Elkartea) eta SEMAk (Matematika Aplikatuko Espainiako Elkartea) urtero ematen dituzten sarietarako onena izan da.

Uriarteren doktorego-tesia, “Solving Partial Differential Equations using Artificial Neural Networks” izenekoa, David Pardo irakasleak (BCAM) eta Elisabete Alberdi irakasleak (UPV/EHU) zuzendu dute, eta 2024ko otsailaren 23an defendatu zen UPV/EHUko Informatika Fakultatean (Leioa). Tesiak nazioarteko doktoregoaren aipamena eta gehienezko kalifikazioa (“sobresaliente cum laude”) jaso zituen.

Lan honek sare neuronalak ekuazio diferentzial partzialak (EDP) ebazteko erabiltzea aztertzen du. Nahiz eta metodo numeriko tradizionalak, hala nola diferentzia finituko edo elementu finituko metodoak, eraginkorrak direla frogatu den, dimentsio handiko arazoetan zailtasunak dituzte. Testuinguru horretan, sare neuronalen erabilerak irtenbide eraginkorra eskain dezake. Bere tesian, Carlos Uriartek hiru ekarpen nagusi egiten ditu:

• Deep Finite Element Method (Deep FEM): elementu finituen metodoan inspiratutako ikuspegi berritzailea, non sare neuronalaren arkitekturak sare fintuen konektibitatea imitatzen duen problema parametrikoak ebazteko.

• Deep Double Ritz Method (D2RM): bi sare neuronal erabiltzen dituen hondarraren minimizazio-eskema, egonkortasun numeriko handiagoa duten soluzioak hurbiltzeko.

• Memorian oinarritutako Monte Carlo integrazioa: integrazioaren zehaztasuna hobetzen duen estrategia, kostu konputazionala nabarmen handitu gabe.

Tesiak metodologia berriak proposatzeaz gain, oinarri matematiko sendoa ezartzen du etorkizuneko ikerketetarako, sare neuronalen eta konputazio zientifikoaren arteko elkargunean.

ECCOMAS, SEMA eta SEMNI sariek Uriarteren ikerketaren bikaintasun akademikoa ez ezik, ingeniaritzan eta zientzia aplikatuetan arazo konplexuak ebazteko metodo konputazional aurreratuen garapenean izan dezakeen eragina ere aitortzen dute.

«Ekuazio diferentzial partzialak ebazteko sare neuronal artifizialen arloan nire ikerketa nolabaiteko eszeptizismoarekin hasi nuen. Nire zuzendarien eta ikerketa-kideen laguntzarik gabe, uste dut hau guztia ez zatekeela posible izango. Sari hau haiena ere bada», adierazi du Uriartek.

BCAMetik, Carlos zoriontzen dugu lorpen ikusgarri honengatik, eta bere dedikazio eta talentu aparta aitortzen ditugu. Zorionak, Carlos! 🎉