Detalle Proyecto- Sistema de Información VIIS

Simulación Computacional y Aprendizaje Profundo para la Exploración de Fenómenos Físicos: Desarrollo de una Metodología de Enseñanza Basada en Datos Sintéticos

Código: 3833 • Estado: Revisión Comité de Ética

Investigador Principal Juan Carlos Salazar Montenegro

Facultad Ciencias Exactas y Naturales

Departamento Física

Resumen del Proyecto El presente proyecto propone el desarrollo de una metodología innovadora para la enseñanza de la física, basada en la integración de la simulación computacional y modelos de aprendizaje profundo (deep learning), a partir de la generación de datos sintéticos. La propuesta busca fortalecer la comprensión de fenómenos físicos mediante un enfoque que articula el modelado teórico, la experimentación numérica y el uso crítico de herramientas de inteligencia artificial como complemento a los métodos tradicionales de análisis, tales como la resolución analítica de ecuaciones, la experimentación clásica y el uso de representaciones gráficas convencionales, entre otros. En este contexto, para el diseño y la validación de la metodología, se estudiarán diversos fenómenos físicos de relevancia en la formación de estudiantes en ciencias e ingeniería.

En particular, se considerarán fenómenos de naturaleza ondulatoria, sistemas de carácter estocástico y sistemas clásicos descritos mediante campos vectoriales (como la gravitación y el electromagnetismo), con el fin de evidenciar la aplicabilidad de la propuesta en contextos conceptualmente diversos. En cada uno de estos dominios, el proyecto contempla la revisión y selección de problemas y configuraciones experimentales especialmente adecuados tanto para su abordaje mediante métodos tradicionales como para su análisis mediante modelos de aprendizaje profundo. Estos últimos han sido ampliamente estudiados en la literatura como herramientas eficaces para la aproximación y el análisis de sistemas complejos (LeCun et al., 2015; Goodfellow et al., 2016). En este sentido, se establecerán criterios claros de comparabilidad, interpretabilidad y viabilidad computacional, que permitan evaluar de manera rigurosa el desempeño y las limitaciones de ambos enfoques.

Adicionalmente, para cada caso seleccionado, se desarrollarán simulaciones computacionales orientadas a la generación de datos sintéticos bajo condiciones controladas, seguidas de su análisis mediante enfoques tradicionales y mediante modelos de aprendizaje profundo enfocados en la estimación de parámetros físicos. Este doble abordaje permitirá no solo contrastar los resultados obtenidos, sino también analizar las condiciones bajo las cuales cada enfoque resulta más pertinente desde una perspectiva tanto física como pedagógica.

El proyecto no plantea la sustitución de los métodos tradicionales, sino su ampliación mediante el uso crítico de herramientas de inteligencia artificial, promoviendo una comprensión más profunda de los fenómenos físicos y de los alcances y limitaciones de los distintos enfoques de modelación. Como resultado, se espera consolidar una metodología transferible a distintos contextos de enseñanza de la física en niveles intermedio y avanzado, así como generar recursos computacionales y lineamientos pedagógicos que favorezcan la integración de la inteligencia artificial en la formación científica.

Convocatoria Docente 2026

Grupos de Investigación

Nombre	Línea	Clasificación
Grupo de Altas Energías.	Métodos de Enseñanza de la Física	Categoría A

Equipo Investigador

Nombre	Tipo
Sandra Esperanza Sanchez Sierra	INT
Angela Viviana Gómez Azuero	EXT