La inteligencia artificial y los métodos de "machine learning" -aprendizaje automático- y "deep learning" o aprendizaje profundo, constituyen uno de los mayores avances de las últimas décadas. Estas técnicas han desempeñado un importante papel en campos donde los datos muestran fuertes correlaciones temporales o espaciales, como en imagen, video o procesamiento del habla. Los algoritmos son capaces de hacer predicciones muy precisas aunque no se termina de conocer como es el proceso. Es el problema de la llamada “caja negra”. Y cuando estos modelos se analizan en profundidad, en muchos casos no respetan leyes fundamentales de la física como, por ejemplo, la conservación de la masa, el momento o la energía. De ahí que numerosos grupos intenten combinar la inteligencia artificial con el modelado físico. Como el de Manuel Doblaré, miembro de la Real Academia de Ingeniería e investigador del Instituto Universitario de Investigación en Ingeniería de Aragón.
Actualmente hay una serie de tecnologías que permiten conciliar el aprendizaje de los algoritmos con las leyes de la física. Cada vez son más numerosas y potentes, sobre todo en aquellos modelos basados en ensayos experimentales.
Estos modelos híbridos podrían aplicarse a procesos físicos muy complejos como los huracanes, la propagación de incendios, el transporte atmosférico y oceánico o la dinámica de la vegetación. Uno de los métodos más empleados para su desarrollo es el establecimiento de una red neuronal en la que se impongan ciertas restricciones relacionadas con la física más fundamental del problema.