Es una asignatura muy moderna basándose a los recientes avances del campo de la física estadística avanzada de los sistemas desordenados, de la neurociencia, de la ecología, de la economía o sde la sociología.

El objetivo de la asignatura es familiarizar a los estudiantes de las bases teóricas de la redes neuronales y complejas y cómo se pueden aplicar a problemas reales de muy amplio espectro. En realidad, la pandemia del COVID-19 ha accelerado el proceso del desarrollo de la Inteligancia Artificial (IA), donde las redes neuronales y complejas juegan el papel principal. Su uso en reconocimiento de patrones (imagenes, voz, texto, estructuras) tiene una amplia aplicación en la medicina, la econimía, el medio ambiente y en todos los sectores de la vida cuotidiana.

Es una asignatura teórico-práctica que requiere la elaboración y utilización de programas para la realización de simulaciones numéricas, pero aparte tiene una importante base teórica, necesaria para entender los fenómenos. Para entender satisfactoriamente la parte teórica se necesitan buenos conocimientos de mecánica estadística, teoría de probabilidad y de desarrollos perturbativos.

La asignatura se está basando en el entendimiento de las Redes neuronales de tipo atractor y de tipo de procesado hacia adelante (feedforward), el procesado de información, las reglas de aprendizajes y la generalización, nociones básicas para el avance de la IA. Por otra parte, se necesita el entendimiento de cómo funcionan estos sistemas sobre una topología más compleja y real como grafos aleatorios, redes de escala libre (scale free) y de escala acotada (small world).

Las líneas pricipales de contextualización, son las siguientes:

- Redes neuronales reales, nociones biofísicas, modelo de Hodgkin y Huxley y sus variantes.

- Redes neuronales atractoras, Modelo de Hopfield, casos con número de patrones finito e infinito, redes nolineares y/o diluidas.

- Redes feedforward, aprendizaje supervisado y nosupervisado, perceptron, aprendizaje y generalizacion, Back-propagation, Deep learning, aplicaciones.

- Redes de escala libre y acotada, Redes complejas y modelos asociados (Erdoes-Renyi, Watts-Strogatz, Albert-Barabasi), características de las redes complejas (coeficiente de clustering, diámetro y espectro de la red, etc.),

La ACTIVIDAD FORMATIVA de la asignatura es la siguiente:

Estudio del material básico y complementario. Ejercicios prácticos - horas 50, presencialidad 0

Búsqueda autónoma y selección de bibliografía específica relacionada con los contenidos de la asignatura - horas 10, presencialidad 0

Participación en foros y comunicaciones con equipo docente y otros estudiantes, horas 10, presencialidad 0

Realización de tareas evaluables, horas 80, presencialidad 0

Tener una buena preparación en mecánica estadística, desarrollos perturbativos, teoría de probabilidad, programación científica y buen conocimiento de métodos numéricos.

Se necesita buen conocimiento de inglés.

Se realizará de forma presencial en el día de la consulta o previa cita telefónica, a través de la plataforma o por otras vías de comunicación.

 Profesora Elka Radoslavova
e-mail: elka@fisfun.uned.es
Teléfono: 91 398 7143
Horario: Miércoles, de 11 a 14h y de 15 a 17h
Mediateca (Edificio de la Biblioteca Central), UNED.

COMPETENCIAS

CM2 Adquirir los conocimientos necesarios en Física Avanzada para incorporarse a un grupo de investigación o a empresas .

CM3 Adquirir la capacidad para abordar y resolver un problema avanzado en la física teórica, computacional o de fluidos, mediante la elección adecuada del contexto teórico, la identificación de los conceptos relevantes y el uso de las técnicas matemáticas que constituyen la mejor aproximación para así llegar a la solución.

CM4 Analizar una situación compleja extrayendo cuales son las cantidades físicas relevantes y ser capaz de reducirla a un modelo parametrizado.

CM5 Analizar problemas nuevos en sistemas poco conocidos y determinar similitudes y diferencias con modelos de referencia.

CM6 Analizar críticamente resultados experimentales, analíticos y numéricos en el campo de la física avanzada.

CONOCIMIENTOS O CONTENIDOS

CN1 Comprender conceptos avanzados de Física y demostrar, en un contexto de investigación científica altamente especializada, una relación detallada y fundamentada entre los aspectos teóricos y prácticos y la metodología empleada en este campo.

CN2 Conocer y comprender los elementos más relevantes de la física teórica, computacional y de fluidos actual. Profundizar en la comprensión de las teorías que se encuentran en la frontera de estos temas, incluyendo su estructura matemática, su confrontación con resultados experimentales, y la descripción de los fenómenos físicos que dichas teorías explican.

CN3 Conocer los sistemas operativos y lenguajes de programación y herramientas de computación relevantes en el campo de la física avanzada.

CN4 Comprender las propiedades cualitativas de las soluciones a las ecuaciones de la física (sus tipos, estabilidad, singularidades, etc.) y su dependencia de los parámetros que definen un sistema físico.

HABILIDADES O DESTREZAS

H1 Elaborar un trabajo escrito con datos bibliográficos, teóricos y/o experimentales, escribiendo un resumen o articulado en extenso (tal y como se realizan los artículos científicos), formulando hipótesis razonables, composiciones originales y conclusiones motivadas.

H2 Comunicar con claridad y rigor los resultados de un trabajo de investigación de forma oral o escrita.

H3 Utilizar bibliografía y fuentes de información especializada, propias del ámbito de conocimiento de la física, manejando las principales bases de datos de recursos científicos.

H4 Saber trabajar en equipo y comunicarse con la comunidad académica en su conjunto y con la sociedad en general acerca de la Física Avanzada, tanto en sus implicaciones académicas, productivas o sociales.

H5 Modelizar sistemas de alto grado de complejidad. Identificar variables y parámetros relevantes y realizar aproximaciones que simplifiquen el problema. Construir modelos físicos que describan y expliquen situaciones en ámbitos diversos.

H7 Resolver problemas algebraicos, de resolución de ecuaciones y de optimización mediante métodos numéricos.

H8 Modelar y simular fenómenos físicos complejos por ordenador.

COMPETENCIAS

CM2 Adquirir los conocimientos necesarios en Física Avanzada para incorporarse a un grupo de investigación o a empresas .

CM3 Adquirir la capacidad para abordar y resolver un problema avanzado en la física teórica, computacional o de fluidos, mediante la elección adecuada del contexto teórico, la identificación de los conceptos relevantes y el uso de las técnicas matemáticas que constituyen la mejor aproximación para así llegar a la solución.

CM4 Analizar una situación compleja extrayendo cuales son las cantidades físicas relevantes y ser capaz de reducirla a un modelo parametrizado.

CM5 Analizar problemas nuevos en sistemas poco conocidos y determinar similitudes y diferencias con modelos de referencia.

CM6 Analizar críticamente resultados experimentales, analíticos y numéricos en el campo de la física avanzada.

La metodología es a distancia, con tutorías virtuales a cargo de los equipos docentes del Máster, a través de herramientas didácticas de enseñanza virtual. Para ello se utilizará la plataforma virtual de la UNED, que ya ha probado su eficacia en la práctica. De este modo se crea un aula virtual que tendrá por objeto realizar la evaluación continua del estudiante, en la que tendrá acceso al material didáctico, a bibliotecas virtuales y foros, enviará los trabajos y se comunicará con los profesores. La modalidad virtual de aprendizaje es una forma de aprendizaje flexible que se adapta a la disponibilidad de cada estudiante, permitiendo compaginar
estudios con trabajo o cualquier otra actividad.

La docencia se impartirá a través de un curso virtual dentro de la plataforma educativa de la UNED. Dentro del curso virtual el alumnado dispondrá de:

·        Página de bienvenida, donde se indica el concepto general de la asignatura y se presenta el equipo docente.

·        Materiales:

a)      Guía del curso, donde se establecen los objetivos concretos y los puntos de interés.

b)      Programa, donde se especifica la división del contenido por capítulos.

c)      Procedimiento, donde se sugieren al alumno las tareas que debe realizar.

d)      Recursos, donde se proporciona el material necesario para el estudio.

·        Actividades y trabajos:

a)      Participación en los foros de debate.

b)      Elaboración de trabajos individuales.

·        Comunicación:

a)      Correo, para comunicaciones individuales.

b)      Foros de Debate, donde se intercambian conocimientos y se resuelven dudas de tipo académico.

Comentarios y anexos:

·        B. Müller, J. Reinhardt and M. Strickland, Neural Networks: An Introduction, (Springer 1995).

·        D. Amit, Modelling Brain Functions, (Cambridge, 1989).

·        J. Hertz, A. Krogh and R. Palmer, Introduction to the Theory of Neural Computation, (Addison-Wesley, 1991).

.       H. Nishimori, Statistical Physics of Spin Glasses and Information Processing: An Introduction (International Series of Monographs on Physics), (Oxford, 2001).        

.        R. Albert and A.L. Barabasi, Statistical mechanics of complex networks, Reviews of Modern Physics, Vol. 74, No. 1. (2002).

·        R. Pastor-Satorras, M. Rubi and A. Diaz-Guilera (Eds.), Statistical Mechanics of Complex Networks, (Springer, Series: Lecture Notes in Physics , Vol. 625, 2003).

Material elaborado por la Profesora de la asignatura, publicaciones recomendadas y otras presentaciones científicas existentes en la web.