
Una técnica de aprendizaje automático en la que el conocimiento adquirido en una tarea se aplica a otra tarea diferente pero relacionada.El aprendizaje por transferencia es una estrategia de aprendizaje automático en la que un modelo entrenado en una tarea se reutiliza como punto de partida para una segunda tarea relacionada. En lugar de entrenar desde cero, el modelo aprovecha las características y patrones aprendidos en el primer dominio, lo que a menudo acelera el entrenamiento y mejora el rendimiento, especialmente cuando los datos para la tarea objetivo son escasos. En física, el aprendizaje por transferencia se ha convertido en una herramienta poderosa para aplicar redes neuronales entrenadas con datos simulados o sintéticos a datos experimentales reales, o para adaptar modelos de un sistema de materiales a otro.
El concepto de aprendizaje por transferencia surgió en la década de 1990 en la comunidad de aprendizaje automático, con marcos formales propuestos por Lorien Pratt y otros. Ganó gran popularidad después de 2012, cuando redes convolucionales profundas preentrenadas con ImageNet se ajustaron con éxito para otras tareas visuales.
El enfoque típico implica dos etapas: preentrenamiento y ajuste fino. Durante el preentrenamiento, una red neuronal aprende representaciones generales a partir de un conjunto de datos grande y a menudo genérico, por ejemplo, imágenes o espectros de muchos materiales diferentes. En la etapa de ajuste fino, los pesos de la red se modifican ligeramente utilizando un conjunto de datos más pequeño y específico de la tarea. Las capas iniciales, que capturan características de bajo nivel como bordes o picos espectrales, a menudo se congelan, mientras que las capas posteriores se reentrenan para mapear esas características a la nueva tarea. Esto funciona porque muchos sistemas físicos comparten estructuras subyacentes comunes, por lo que las características aprendidas se transfieren de manera efectiva.
En física, el aprendizaje por transferencia se utiliza para entrenar redes neuronales que predicen propiedades de materiales a partir de datos experimentales limitados, para acelerar la planificación de dosis en radioterapia y para adaptar modelos de una configuración de acelerador de partículas o reactor a otra.
El aprendizaje por transferencia es la razón por la que los modelos modernos de IA pueden entrenarse con conjuntos de datos genéricos masivos y luego especializarse en tareas específicas con solo unos cientos de ejemplos, un proceso que de otro modo requeriría millones de muestras etiquetadas.













