Speakers
Description
En los últimos años los autoencoders variacionales (VAE) se han consolidado como una herramienta poderosa para aprender representaciones compactas y continuas de sistemas complejos. En el presente trabajo se aplica un VAE convolucional a la tarea de predecir la evolución temporal en un sistema de flujo granular simulado mediante el método de elementos discretos (DEM). Se entrena el modelo para recibir como entrada dos imágenes consecutivas de la simulación y generar como salida las imágenes de los pasos temporales siguientes. Posteriormente, se analiza el espacio latente resultante utilizando Análisis de Componentes Principales (PCA), con el objetivo de evaluar si las representaciones latentes capturan información relevante sobre el estado del sistema. Los resultados muestran que el modelo es capaz de organizar los datos en regiones diferenciadas y con continuidad temporal, lo que constituye una evidencia favorable de que el VAE ha aprendido variables de estado útiles para describir el sistema.