Un nuevo estudio explora el uso de las Redes Neuronales Informadas por la Física (PINNs) mejoradas con métodos de Monte Carlo para abordar modelos diferenciales de orden fraccionario. Estos modelos son fundamentales para describir fenómenos con efectos de memoria, donde el estado futuro de un sistema no solo depende de su estado actual, sino también de su historial pasado. La capacidad de las PINNs para integrar leyes físicas directamente en su arquitectura de aprendizaje automático las convierte en una herramienta prometedora para resolver ecuaciones diferenciales complejas, especialmente aquellas que carecen de soluciones analíticas sencillas.

Los modelos de orden fraccionario encuentran aplicación en diversas áreas de la física y la ingeniería, incluyendo la viscoelasticidad, la difusión anómala y la electroquímica, donde los materiales o sistemas exhiben comportamientos no locales o con memoria. Sin embargo, su resolución numérica puede ser computacionalmente intensiva y desafiante. La incorporación de técnicas de Monte Carlo en las PINNs busca mejorar la eficiencia y la precisión en la aproximación de las soluciones, particularmente en escenarios donde las condiciones de contorno o las propiedades del sistema son inciertas o estocásticas.

Este enfoque híbrido aprovecha la capacidad de las PINNs para aprender funciones de solución a partir de datos y restricciones físicas, mientras que Monte Carlo contribuye a una mejor exploración del espacio de parámetros y a la cuantificación de la incertidumbre. El desarrollo de estas metodologías computacionales es crucial para avanzar en la comprensión y el diseño de sistemas complejos con efectos de memoria, abriendo nuevas vías para la simulación y la predicción en campos donde los modelos clásicos de orden entero resultan insuficientes.