Una red convencional aprende las correlaciones que hay en su conjunto de entrenamiento y nada más. Una red neuronal informada por la física añade un segundo término a la función de pérdida: una medida de cuánto se aleja cada predicción de cumplir una ecuación que se sabe cierta, como un balance de energía, la cinética de Arrhenius o una relación de transferencia de calor. La ecuación restringe todo el espacio de soluciones, no entra como una columna más de entrada.
Por qué importa en activos industriales
Los datos industriales están desequilibrados por construcción. Los fallos son raros, los sensores cubren una banda estrecha de condiciones de operación y los casos interesantes son los que todavía no han ocurrido. Un modelo puramente estadístico interpola bien dentro de esa banda y se degrada sin avisar fuera de ella. El término físico mantiene la extrapolación dentro de lo que permiten las ecuaciones, y hace auditable la salida: una predicción se puede rastrear hasta un mecanismo en lugar de hasta un peso inexplicable.
Dónde lo usa BeAI
CorrosionAI es una red neuronal de grafos informada por la física: el grafo lleva la topología de la red de tuberías y la capa física incorpora ecuaciones electroquímicas y cinéticas, entre ellas Arrhenius, Nernst y la teoría de Marcus. InverterAI aplica la misma idea a la electrónica de potencia, con fatiga térmica de Coffin-Manson, envejecimiento de Arrhenius y redes térmicas de Foster o Cauer restringiendo la estimación de vida útil remanente.
Lo que no resuelve
Una PINN necesita que la física que gobierna el fenómeno se conozca y se pueda escribir. Donde el mecanismo se desconoce, o donde el resultado lo dominan decisiones humanas y logística, la restricción añade coste y ninguna precisión. El entrenamiento es más pesado que el de un modelo estadístico equivalente, y el proyecto necesita un ingeniero de dominio junto al científico de datos, no en su lugar.