Machine Learning / Demostración evaluada
Combina simulación física y clustering para explorar patrones de movimiento.
Grabación real · Subtítulos explicativos en inglés · Datos sintéticos originales
Demostración grabada de una aplicación local funcional. Para un piloto, acordamos datos, acceso y despliegue; esta web sirve el vídeo y las capturas.
EL PROBLEMA
EL FLUJO
Integra un oscilador de Duffing con RK4 y extrae siete características. Un modelo entrenado con 160 trayectorias aprende una proyección PCA y cuatro grupos. Modifica amplitud, frecuencia, amortiguación y posición inicial; anima el retrato de fase y compara vecinos, espectro y sección de Poincaré.
EVIDENCIA REGISTRADA
| Comprobación | Casos |
|---|---|
| Comprobaciones documentadas; datos sintéticos | 30 de 30 |
30 trayectorias con semillas reservadas pasan las comprobaciones numéricas y de salida. Silhouette 0,680 en entrenamiento; no es precisión. Una comparación corta de pasos RK4 0,01 y 0,005 da un error máximo de 6,67 × 10⁻¹⁰. Latencia de simulación y análisis en CPU, sin HTTP ni entrenamiento.
QUÉ PODRÍAMOS CONSTRUIR CONTIGO
Ecuaciones, unidades, dominio de parámetros, solver, variables observables y validación numérica.
Sistema adimensional simulado. Los grupos son patrones aprendidos, no etiquetas físicas ni prueba de caos. Las 30 comprobaciones verifican integración y salidas válidas; no miden precisión de clasificación de regímenes.
Definir un piloto de Machine Learning ↗
Explorar demo
Sensores → predicción → cambio detectado
Distingue cambios en los datos de una pérdida de rendimiento del modelo.
30 de 30 comprobaciones · Datos sintéticos originalesComprobaciones documentadas; datos sintéticos
Explorar demo
Ensayos → incertidumbre → siguiente diseño
Propone ensayos con optimización bayesiana y límites de recursos.
10 de 10 comprobaciones · Datos sintéticos originalesComprobaciones documentadas; datos sintéticos