LatticaBOltzmna

Únase a la comunidad LBMNet

Manténgase informado sobre los últimos avances en inteligencia artificial inspirada en la física. Reciba notificaciones sobre nuevas publicaciones, arquitecturas innovadoras, lanzamientos de código abierto, avances en la investigación y oportunidades de colaboración.

Presentando la arquitectura DEEPLBMNet validada más reciente.

- U-LBMNet: Segmentación 3D de Imágenes Médicas

U-LBMNet es una arquitectura tridimensional de codificador-decodificador inspirada en la física para la segmentación de imágenes médicas volumétricas. Inspirado en el diseño de las redes en forma de U y en el Método de Boltzmann en Red (Lattice Boltzmann Method, LBM), el modelo integra operadores entrenables de colisión y propagación (streaming) dentro de un marco jerárquico multiescala para extraer con precisión las estructuras anatómicas de imágenes médicas volumétricas. El codificador captura progresivamente información contextual tanto local como global, mientras que el decodificador reconstruye mapas de segmentación de alta resolución mediante conexiones de salto (skip connections) que preservan los detalles espaciales más finos.
A diferencia de las redes convolucionales tridimensionales convencionales, U-LBMNet incorpora propagación de características basada en redes de Boltzmann (lattice-based feature propagation), transformaciones de momentos y un flujo de información inspirado en la física para mejorar la representación de las características y la coherencia espacial a lo largo de todo el proceso de segmentación. Este diseño permite un aprendizaje eficiente de patrones anatómicos tridimensionales complejos, manteniendo al mismo tiempo una alta eficiencia computacional y una gran robustez.
La arquitectura es adecuada para una amplia variedad de modalidades de imagen volumétrica, incluyendo la Tomografía Computarizada (CT), la Resonancia Magnética (MRI), la Tomografía Computarizada de Haz Cónico (CBCT) y la ecografía tridimensional. Sus aplicaciones típicas incluyen la segmentación de órganos, la delimitación de tumores, la detección de lesiones, la segmentación de vasos sanguíneos, la planificación radioterapéutica, la navegación quirúrgica, el seguimiento de enfermedades y el diagnóstico asistido por computadora.U-LBMNet ha sido diseñado como un marco de trabajo flexible que puede adaptarse a diferentes tareas clínicas de segmentación mediante la modificación de la configuración de la red de Boltzmann (lattice), la profundidad del codificador, la capacidad del decodificador y los mecanismos de atención, preservando al mismo tiempo los principios fundamentales de la familia LBMNet. Su diseño modular también facilita la integración de componentes avanzados, como los operadores de Tiempo de Relajación Múltiple (Multiple-Relaxation-Time, MRT), los módulos de atención basados en la red de Boltzmann (lattice attention) y las estrategias de fusión de características a múltiples escalas (multi-scale feature fusion).

Caso: BRATS_001.nii.gz

Caso: BRATS_004.nii.gz

Relleno de Imágenes (Image Inpainting)

LBMNet para la Restauración de Imágenes (Image Inpainting) es una arquitectura de aprendizaje profundo inspirada en la física, diseñada para reconstruir regiones faltantes o dañadas de una imagen aprovechando los principios del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM). En lugar de depender únicamente de operaciones convolucionales convencionales, LBMNet emplea mecanismos de propagación (streaming), colisión y cálculo de momentos basados en la red de Boltzmann para difundir información estructural y contextual a través de las zonas deterioradas. Este marco guiado por la física permite a la red preservar bordes, texturas y detalles finos, generando reconstrucciones visualmente coherentes. Gracias a su diseño ligero, interpretable y escalable, LBMNet constituye una solución eficiente para la restauración de imágenes en aplicaciones como la edición fotográfica, la imagen médica, la teledetección y la preservación del patrimonio cultural.

Detección de Objetos

LBMNet para la Detección de Objetos es una arquitectura de detección de objetos inspirada en la física que aprovecha los principios del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM) para localizar y clasificar objetos en imágenes con alta precisión. Al integrar mecanismos de propagación (streaming), colisión y cálculo de momentos basados en la red de Boltzmann en el proceso de extracción de características, LBMNet captura de manera eficiente tanto las estructuras locales como la información contextual global. Su diseño ligero, interpretable y escalable permite una detección robusta con una elevada eficiencia computacional, lo que la hace especialmente adecuada para aplicaciones como la conducción autónoma, la imagen médica, la teledetección, la inspección industrial y la vigilancia inteligente.

Clasificación de Imágenes

LBMNet para la Clasificación de Imágenes es una arquitectura de aprendizaje profundo inspirada en la física que aplica los principios del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM) a la clasificación de imágenes. Al integrar mecanismos de propagación (streaming), colisión y cálculo de momentos basados en la red de Boltzmann en el proceso jerárquico de aprendizaje de características, la red captura de manera eficaz representaciones espaciales y direccionales ricas. Su diseño ligero, interpretable y escalable constituye una alternativa eficiente a las redes neuronales convolucionales convencionales, proporcionando una clasificación de imágenes precisa en una amplia variedad de aplicaciones de visión por computadora.

Reconocimiento Facial

LBMNet para el Reconocimiento Facial es una arquitectura de aprendizaje profundo inspirada en la física que aplica los principios del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM) al aprendizaje robusto de representaciones faciales. Al integrar mecanismos de propagación (streaming), colisión y cálculo de momentos basados en la red de Boltzmann, la red captura de manera eficaz características faciales discriminativas, preservando tanto las texturas locales como la información estructural global. Su diseño ligero, interpretable y escalable ofrece una solución eficiente para el reconocimiento facial preciso frente a variaciones de pose, iluminación, expresión y oclusión, lo que la hace adecuada para aplicaciones de autenticación biométrica, control de acceso, videovigilancia y verificación de identidad.

Colorización de Imágenes

LBMNet para la Colorización de Imágenes es una arquitectura de aprendizaje profundo inspirada en la física que transforma automáticamente imágenes en escala de grises en imágenes con colores realistas utilizando los principios del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM). Al integrar mecanismos de propagación (streaming), colisión y cálculo de momentos basados en la red de Boltzmann en el proceso de aprendizaje de características, la red captura de manera eficaz información semántica, estructural y contextual para generar colores naturales y visualmente coherentes. Su diseño ligero, interpretable y escalable convierte a LBMNet en una solución eficiente para la colorización de imágenes en aplicaciones como la restauración de fotografías históricas, la imagen médica, la mejora de contenidos multimedia digitales y la edición de imágenes.

Segmentación de Imágenes Médicas

LBMNet para la Segmentación de Imágenes Médicas es una arquitectura de aprendizaje profundo inspirada en la física que aplica los principios del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM) para segmentar con precisión estructuras anatómicas y regiones patológicas en imágenes médicas. Al integrar mecanismos de propagación (streaming), colisión y cálculo de momentos basados en la red de Boltzmann con un proceso jerárquico de aprendizaje de características, la red captura de manera eficaz tanto los detalles anatómicos finos como la información contextual global. Su diseño ligero, interpretable y escalable permite una segmentación precisa y eficiente en una amplia variedad de modalidades de imagen médica, incluyendo resonancia magnética (MRI), tomografía computarizada (CT), ecografía y radiografía, respaldando aplicaciones en diagnóstico asistido por computadora, planificación de tratamientos y apoyo a la toma de decisiones clínicas.

Superresolución de Imágenes

LBMNet para la Superresolución de Imágenes es una arquitectura de aprendizaje profundo inspirada en la física que reconstruye imágenes de alta resolución a partir de imágenes de baja resolución utilizando los principios del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM). Al integrar mecanismos de propagación (streaming), colisión y cálculo de momentos basados en la red de Boltzmann en el proceso de extracción de características, la red restaura de manera eficaz texturas finas, bordes nítidos y detalles estructurales, preservando al mismo tiempo la coherencia visual. Su diseño ligero, interpretable y escalable proporciona una solución eficiente para la superresolución de imágenes en una amplia variedad de aplicaciones, incluyendo la imagen médica, la teledetección, la videovigilancia y la fotografía digital.

Eliminación de Ruido en Imágenes Médicas por Resonancia Magnética (MRI)

LBMNet para la Eliminación de Ruido en Imágenes Médicas por Resonancia Magnética (MRI) es una arquitectura de aprendizaje profundo inspirada en la física, diseñada para eliminar el ruido de las imágenes de resonancia magnética preservando las estructuras anatómicas finas y los detalles diagnósticos. Al integrar los principios del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM) mediante mecanismos de propagación (streaming), colisión y cálculo de momentos basados en la red de Boltzmann, la red reduce eficazmente el ruido mientras mantiene la nitidez de la imagen y los límites de los tejidos. Su diseño ligero, interpretable y escalable proporciona una solución eficiente para la mejora de imágenes de MRI de alta calidad, favoreciendo una mejor visualización, un diagnóstico más preciso y el análisis posterior de imágenes médicas.

Artículos Científicos

- A Lattice Boltzmann Method for Image Inpainting Inspired by Fluid Dynamics
Authors: Yassine Douich, et al.Journal: European Journal of Pure and Applied MathematicsYear: 2025DOI:10.29020/nybg.ejpam.v18i3.6192- Eikonal equation solved with a novel Lattice Boltzmann method framework
Authors: Yassine Douich, et al.Journal: Numerical AlgorithmsYear:2026DOI:10.1007/s11075-026-02378-9- Radial Basis Function Neural Networks for Collision Learning and Mask Detection in Image Inpainting
Authors: Yassine Douich, et al.Conference paper:Communications in Computer and Information Science ((CCIS,volume 2817)).DOI: 10.1007/978-3-032-16281-6_10

Manuscritos en Proceso de Revisión

- Neural Collision Learning for Image Inpainting via LBM Transport and CNN Mask Detection
Authors: Yassine Douich, et al.Journal:Signal, Image and Video Processing.Year:2026
- An Artificial Intelligence Architecture Based on Lattice Boltzmann Dynamics for Image Inpainting
Authors: Yassine Douich, et al.Journal:IEEE Transactions on Artificial IntelligenceYear:2026
- From Convolution to Transport: A Lattice Boltzmann Reformulation of Deep Neural Networks
Authors: Yassine Douich, et al.Journal: IEEE AccessYear:2026

Áreas de Investigación

- Aprendizaje Profundo Inspirado en la Física

- Redes Neuronales Basadas en el Método de Boltzmann en Red (LBMNet)

- Visión por Computadora

- Análisis de Imágenes Médicas

- Restauración e Inpainting de Imágenes

- Segmentación de Imágenes

- Superresolución de Imágenes

- Colorización de Imágenes

- Detección de Objetos

- Reconocimiento Facial

- Reconocimiento de Patrones

- Aprendizaje Automático Científico (SciML)

- Ecuaciones en Derivadas Parciales (EDP)

- Inteligencia Artificial Inspirada en la Dinámica de Fluidos

- Imagen Médica

- Inteligencia Artificial para la Salud

- Inteligencia Artificial Explicable y Eficiente

Nuestra Visión

Creemos que los sistemas de inteligencia artificial del futuro no solo deben alcanzar un alto rendimiento, sino también incorporar el conocimiento científico en su diseño. LBMNet tiene como objetivo establecer una nueva familia de arquitecturas neuronales inspiradas en la dinámica del Método de Boltzmann en Red (Lattice Boltzmann Method, LBM), ofreciendo una mayor eficiencia, robustez e interpretabilidad física para una amplia variedad de tareas de visión por computadora y computación científica.

Investigación Actual

Nuestra investigación actual explora nuevas arquitecturas LBMNet para:- Restauración e Inpainting de Imágenes
- Segmentación de Imágenes Médicas
- Eliminación de Ruido en Imágenes por Resonancia Magnética (MRI)
- Superresolución de Imágenes
- Detección de Objetos
- Clasificación de Imágenes
- Reconocimiento Facial
- Colorización de Imágenes
- Simulación Científica
- Aprendizaje y Resolución de Ecuaciones en Derivadas Parciales (EDP
Actualmente, varios proyectos de investigación se encuentran en desarrollo y serán publicados en revistas científicas y conferencias internacionales a medida que estén disponibles.

Investigación Abierta

LBMNet es una iniciativa de investigación activa. Damos la bienvenida a colaboraciones con universidades, laboratorios de investigación, socios industriales y estudiantes interesados en la inteligencia artificial basada en principios físicos, la visión por computadora, la imagen médica y el aprendizaje automático científico. Juntos, buscamos impulsar el futuro de los sistemas inteligentes mediante arquitecturas neuronales innovadoras con sólidos fundamentos matemáticos.

Founder of DEEPLBMNet

Ph.D. Candidate in Computer Science

Vision

To establish LBMNet as a global reference for physics-inspired artificial intelligence by developing innovative deep learning architectures grounded in the mathematical principles of the Lattice Boltzmann Method.

Mission

- Advance the frontiers of Physics-Inspired Artificial Intelligence.
- Develop novel Lattice Boltzmann-based neural architectures.
- Bridge numerical physics and modern deep learning.
- Promote open scientific research and reproducible AI.
- Support researchers, students, and engineers through open-source software, publications, and educational resources.
- Foster international collaborations in Artificial Intelligence and Scientific Computing.

Research Areas

- Physics-Inspired Artificial Intelligence
- Scientific Machine Learning
- Lattice Boltzmann Deep Learning
- Computer Vision
- Medical Image Analysis
- Image Restoration and Inpainting
- Image Segmentation
- Biomedical Signal Processing
- Time-Series Forecasting
- Scientific Computing
- Numerical Methods for Partial Differential Equations

CV

For additional information regarding my academic background, research experience, publications, technical skills, and professional achievements, please refer to my complete Curriculum Vitae. The CV provides a comprehensive overview of my education, research activities, scientific contributions, and ongoing projects within the LBMNet framework.

CV

Stay Updated with the Latest Developments

Welcome to the LBMNet News page. Here you will find the latest updates on our research, new architectures, scientific publications, collaborations, software releases, and upcoming events. Follow our journey as we continue advancing physics-inspired artificial intelligence based on the Lattice Boltzmann Method.

LBMNet Website Officially Launched

he official LBMNet website is now online, providing access to our research vision, architectures, applications, and future scientific contributions.

New LBMNet Architectures

Several new LBMNet architectures have been developed for applications including image classification, semantic segmentation, image inpainting, super-resolution, medical image analysis, cybersecurity, natural language processing, and object detection.

Research Papers in Progress

Multiple LBMNet research papers are currently under review or in preparation for publication in international scientific journals. Additional results and resources will be released after publication.

Expanding Research Applications

LBMNet is being explored across multiple domains, including computer vision, medical imaging, cybersecurity, scientific computing, remote sensing, and artificial intelligence for healthcare.

Join Our Community

We welcome researchers, students, and collaborators interested in physics-inspired AI. Feel free to contact us for collaborations, discussions, or research opportunities

Coming Soon

Scientific publications Open-source implementations
Experimental benchmarks
Tutorials and demonstrations
Research collaborations
New LBMNet architectures

Stay Connected

More exciting updates are coming soon as LBMNet continues to evolve.

Advancing Physics-Inspired Artificial Intelligence

LBMNet is an independent research initiative dedicated to developing the next generation of physics-inspired deep learning architectures based on the Lattice Boltzmann Method (LBM). Our mission is to bridge computational physics and artificial intelligence to create innovative, interpretable, and efficient solutions for real-world challenges.

Why Donate?

Your contribution directly supports:

Development of new LBMNet architectures
GPU cloud computing and computational resources
Scientific publications and open research
AI research in medical imaging, computer vision, NLP, cybersecurity, robotics, and scientific computing
Building an open and collaborative research ecosystem

Every donation, regardless of its size, helps move the project forward.

Make a Contribution

Choose any amount you'd like to contribute. 5$ — Support the Project 10$ — AI Research 20$— GPU Computing 50$ — LBMNet Development 100$ — Research Sponsor Custom Amount

Secure payment via PayPal.

Transparency

All donations are used exclusively to support the development of LBMNet, including computational resources, research activities, software development, scientific publications, and educational content.

LBMNet for classification

Deep LBM-Based Neural Network is a physics-inspired deep learning architecture that replaces conventional convolutional operations with Lattice Boltzmann dynamics. By integrating streaming, collision, and moment computation into a hierarchical framework, the network efficiently learns multi-scale feature representations while maintaining high computational efficiency and interpretability for image classification tasks.

Quantum LBMNet for clasification

Quantum-LBMNet is a novel quantum-inspired extension of LBMNet that processes images using complex-valued (real and imaginary) feature representations and lattice Boltzmann dynamics. By combining physics-inspired computation with quantum-inspired encoding, the architecture efficiently captures directional and spatial information before generating compact feature representations for accurate image classification. Its lightweight design offers an excellent balance between computational efficiency, scalability, and predictive performance.

LBMNet for Natural Language Processing (NLP)

LBMNet for Natural Language Processing (NLP) is a physics-inspired neural architecture that extends the principles of the Lattice Boltzmann Method to language understanding and generation. By combining multi-scale LBM encoding, moment-based feature extraction, and attention mechanisms, the network effectively captures local and global linguistic dependencies. Its hierarchical design enables efficient representation learning for a wide range of NLP tasks, including text classification, machine translation, sentiment analysis, question answering, and next-word prediction.

Attention U-LBMNet for image inpainting

Attention U-LBMNet is a U-shaped Lattice Boltzmann neural network designed for image inpainting. The architecture combines LBM-based encoder and decoder blocks with attention mechanisms to effectively reconstruct missing image regions while preserving structural details and textures. Skip connections and attention gates enable efficient feature fusion across multiple scales, resulting in accurate and visually coherent image restoration. Its physics-inspired design provides an interpretable, scalable, and efficient framework for image reconstruction and related image restoration tasks.

U-LBMNet

U-LBMNet is a U-shaped neural network architecture that integrates the principles of the Lattice Boltzmann Method into an encoder–decoder framework for dense image prediction tasks. By replacing conventional feature extraction with LBM streaming, collision, and moment operations, the network efficiently learns hierarchical multi-scale representations while preserving fine spatial details through skip connections. Its physics-inspired design provides an interpretable, scalable, and computationally efficient solution for semantic segmentation, medical image analysis, and other pixel-level computer vision applications.

MRT-LBMSegNet-Att

MRT-LBMSegNet-Att is a physics-inspired semantic segmentation architecture that combines Multi-Relaxation-Time (MRT) Lattice Boltzmann blocks with attention mechanisms in an encoder–decoder framework. By integrating MRT collision dynamics, lattice-based feature propagation, and multi-scale attention, the network effectively captures both local details and global contextual information. Skip connections preserve fine spatial features, enabling accurate and robust segmentation while maintaining high computational efficiency and interpretability across a wide range of medical and computer vision applications.

Fast Quantum-LBM-SR

Fast Quantum-LBM-SR is a physics-inspired image super-resolution architecture that integrates quantum-inspired Lattice Boltzmann dynamics with deep learning to reconstruct high-resolution images from low-resolution inputs. By combining streaming, MRT collision, moment computation, and efficient reconstruction within a lightweight framework, the network effectively restores fine textures and structural details while maintaining low computational complexity. Its scalable and interpretable design provides an efficient alternative to conventional super-resolution models for both natural and medical imaging applications.

LBMNet_cybersecurity

LBMNet-D2Q9 is a physics-inspired intrusion detection architecture that applies the principles of the Lattice Boltzmann Method to cybersecurity. By combining D2Q9 lattice encoding, streaming, Multi-Relaxation-Time (MRT) collision, and moment-based feature extraction, the network effectively learns complex traffic patterns for accurate attack detection and classification. Its lightweight and interpretable design provides a scalable and efficient solution for modern network intrusion detection systems, delivering robust performance across diverse cyberattack scenarios.

Graph-MRT-LBMNet

Graph-MRT-LBMNet is a physics-inspired graph neural network that combines graph representation learning with Multi-Relaxation-Time (MRT) Lattice Boltzmann dynamics for cybersecurity applications. By integrating graph-based information propagation, MRT collision, and moment-based feature extraction, the architecture effectively captures complex relationships between network connections for accurate intrusion detection. Its scalable and interpretable design provides a robust and efficient framework for detecting cyber threats in modern network environments.

Getting Started

Learn the fundamentals of LBMNet, its philosophy, and the core concepts behind physics-inspired deep learning based on the Lattice Boltzmann Method.

Installation

Follow the installation guide to set up the required environment, dependencies, and software needed to run LBMNet models.

Architecture Overview

Discover the design principles of LBMNet and understand how Lattice Boltzmann dynamics are integrated into modern neural network architectures.

Tutorials

Step-by-step tutorials demonstrate how to train, evaluate, and apply LBMNet to different computer vision and scientific computing tasks.

Model Zoo

Browse available LBMNet architectures, including models for image restoration, segmentation, object detection, classification, super-resolution, and other AI applications.

Datasets

Access information about the datasets commonly used for training and evaluating LBMNet models, along with recommended preprocessing procedures.

API Reference

Explore the complete API documentation, including modules, classes, functions, parameters, and usage examples for developers.

Examples

A collection of practical examples illustrates how to use LBMNet in real-world projects, from research experiments to production-ready applications.

Performance Benchmarks

Compare the performance of LBMNet models across different datasets and tasks using standard evaluation metrics.

Frequently Asked Questions

Find answers to common questions regarding installation, training, inference, troubleshooting, and best practices.

Contributing

We encourage contributions from the research and open-source communities. Whether you are reporting bugs, improving documentation, or developing new LBMNet modules, your contributions are welcome.

Support

If you encounter any issues or have questions about LBMNet, please visit the Help & Support page or contact the development team.

Documentation Status

The LBMNet documentation is continuously evolving. New tutorials, examples, APIs, research updates, and implementation guides will be added regularly as the framework grows and new architectures become available.