La flecha del tiempo termodinámica determina la dirección temporal que un proceso microscópico puede tomar, ya sea hacia adelante o en dirección reversa. Utilizando conceptos como la tasa de producción de entropía y adaptando la segunda ley de la termodinámica para que sea válida en contextos estocásticos, se determina que los procesos que violan la segunda ley de la termodinámica son aquellos con una flecha del tiempo en dirección reversa. Por otra parte, el Machine Learning ha probado ser una herramienta poderosa que le permite a los computadores reconocer patrones y aprender, a partir de entrenamiento guiado o no
guiado, a hacer predicciones ceteras. En este proyecto, el potencial del Machine Learning se pone a prueba en el contexto de la física estadística para analizar la posibilidad de reproducir resultados teóricos únicamente con un modelo de Machine Learning.

Para predecir la dirección de la flecha del tiempo termodinámica en un sistema de partículas en movimiento browniano con un potencial cuadrático dependiente del tiempo sin usar la estimación teórica ya establecida, se implementa un modelo de Machine Learning basado en regresión logística. La estimación teórica de la flecha del tiempo fue exitosamente replicada por las predicciones del modelo con una precisión del 79.5 %. De manera similar, el modelo fue capaz de relacionar el trabajo realizado por la partícula browniana con la dirección de la flecha del tiempo, concordando con la literatura existente en el campo de la reversibilidad en la escala microscópica. Esto abre las posibilidades de expandir el uso del Machine Learning en la física estadística para hallar nuevos patrones físicos y para observar patrones existentes en sistemas novedosos.