
Redes neuronales utilizadas como estimador estadístico para la ecuación de estado.La regresión con redes neuronales es una técnica de aprendizaje automático en la que una red neuronal artificial se entrena para predecir una salida numérica continua a partir de características de entrada. En física, se utiliza cada vez más como estimador estadístico para relaciones complejas, como la ecuación de estado (EoS) de la materia, es decir, la función que vincula presión, temperatura y volumen. En lugar de depender de fórmulas analíticas, una red neuronal aprende la EoS directamente de datos experimentales o de simulación, capturando no linealidades difíciles de modelar manualmente.
Las redes neuronales se conceptualizaron en la década de 1940, pero su uso en física para regresión se generalizó en la década de 2010 con el auge del aprendizaje profundo y las potentes GPU. Aplicaciones específicas a ecuaciones de estado surgieron en física nuclear y astrofísica alrededor de esa época.
Una red neuronal consiste en capas de 'neuronas' interconectadas (funciones matemáticas). Durante el entrenamiento, la red ajusta sus pesos internos para minimizar la diferencia entre sus predicciones y los puntos de datos conocidos (por ejemplo, de experimentos nucleares o simulaciones). Una vez entrenada, puede interpolar o extrapolar para predecir la EoS en nuevas condiciones. La flexibilidad de la red le permite aproximar cualquier función suave, siempre que haya suficientes datos y neuronas.
Se utiliza para modelar ecuaciones de estado de estrellas de neutrones, materia nuclear y materiales bajo condiciones extremas, donde las formas analíticas tradicionales son inadecuadas.
Una red neuronal con una sola capa oculta puede aproximar cualquier función continua en un dominio compacto, un resultado conocido como teorema de aproximación universal.



















