Este artículo propone una estrategia eficiente de aumento de datos para el modelado de ecuaciones diferenciales parciales (EDP). Se emplean EDP neuronales, que utilizan redes neuronales, en lugar de los solucionadores numéricos de EDP convencionales. Sin embargo, los métodos convencionales requieren una gran cantidad de datos para entrenar EDP neuronales utilizando las trayectorias de solución obtenidas mediante la integración a largo plazo del solucionador de EDP. En este artículo, presentamos una estrategia de aumento de datos con eficiencia de muestreo que genera datos de entrenamiento de EDP neuronales a partir de un modelo informático mediante el muestreo de relleno espacial de estados locales de plantilla. Este método elimina gran parte de la redundancia espaciotemporal presente en los datos de trayectoria y sobremuestrea estados que rara vez se visitan, pero que ayudan a las EDP neuronales a generalizarse en el espacio de estados. Experimentos con datos sintéticos demuestran la eficacia del método propuesto, demostrando un rendimiento superior al de los métodos convencionales.
