Vou desenvolver redes neurais informadas por física e modelos de ML científicos

Desenvolvo modelos de aprendizado de máquina fundamentados em princípios físicos e rigor científico, não abordagens de caixa preta aplicadas cegamente aos dados.

Minha formação: Tese de bacharelado em Física-Informed Neural Networks (PINNs) para reconstrução de imagens de contraste de fase por raios X na Universidad de los Andes, e experiência em pesquisa em aprendizado de máquina quântico na Purdue University (programa SURF), onde desenvolvi um sistema híbrido clássico-quântico para resolver equações diferenciais aplicadas à modelagem de redes de energia.

O que eu construo:

• Redes neurais informadas por física (PINNs) para EDPs e sistemas físicos
• Modelos híbridos de ML clássico-quântico
• Pipeline de análise e processamento de dados científicos
• Desenvolvimento de modelos com PyTorch e TensorFlow
• Métodos numéricos e pipelines de simulação
• Regressão, classificação e detecção de anomalias para conjuntos de dados científicos

O que cada entrega inclui:

• Código Python limpo e documentado
• Pipeline de treinamento com resultados reproduzíveis
• Métricas de validação e análise de desempenho
• README com instruções de configuração, uso e modificação

Clientes ideais: Pesquisadores, engenheiros e empresas que trabalham com sistemas físicos, dados de simulação, dados de sensores ou qualquer domínio onde a física ou estrutura subjacente seja relevante.