Modelos sustitutos de fidelidad múltiple: combinación de física y aprendizaje automático

El modelado de subrogación multifidelidad es un marco que combina simulaciones rápidas y baratas con una verdad de terreno costosa y de alta fidelidad para lograr una alta precisión a un costo computacional significativamente más bajo. En lugar de ejecutar costosas simulaciones de alta fidelidad para cada punto de diseño, los profesionales usan modelos de baja fidelidad para establecer una línea de base y aplicar correcciones de aprendizaje automático para cerrar la brecha hacia la precisión de alta fidelidad.

Este enfoque es importante porque muchos problemas de ingeniería (optimización de la forma aerodinámica, diseño de materiales compuestos, evaluación del almacenamiento de carbono geológico) requieren miles de ejecuciones de simulación. Ejecutar cada uno con un modelo completo de alta fidelidad no es práctico. Los sustitutos de fidelidad múltiple ofrecen un camino hacia predicciones precisas al tiempo que reducen el gasto computacional en órdenes de magnitud.

La idea central es simple: use cualquier simulación barata que tenga, calibre los datos costosos que pueda recopilar y deje que el aprendizaje automático aprenda la discrepancia entre ellos. El panorama de implementación es rico: co-kring (fusión de procesos gaussiano bayesiano), operadores neuronales (FNO, DeepOnet, WNO), modelado de subrogación de orden reducido y redes de corrección de ML híbrida, todas ofrecen compensaciones distintas.

Sugerencia de imagen: un diagrama de jerarquía de fidelidad que muestra LOFI (cuadrícula gruesa, física simplificada) → HIFI (cuadrilla fina, física completa) → corrección MF (capa ML que une la brecha). Este diagrama ilustra el concepto central.

Comida clave

• Los modelos de subrogación multifidelidad combinan simulaciones baratas de baja fidelidad con costosos datos de alta fidelidad para lograr una precisión a menor costo, utilizando el aprendizaje automático para aprender la discrepancia entre los niveles de fidelidad.
• El aprendizaje por transferencia es actualmente la estrategia de operador neuronal multifidelidad más sólida en los casos de prueba, superando constantemente las arquitecturas de entrenamiento conjuntas cuando la baja fidelidad a la discrepancia de alta fidelidad es grande.
• El kriging multifidelidad (co-kring) tiene condiciones de aplicabilidad sorprendentemente estrechas: la correlación debe exceder a r² > 0,9 y el índice de presupuesto barato a total debe estar entre 0,1 y 0,8. Muchos practicantes intentan co-kring sin cumplir con estos límites.
• El ecosistema de Python para el modelado de múltiples fidelidades está fragmentado pero madura: ninguna biblioteca cubre todo el paisaje y los profesionales deben combinar múltiples herramientas.
• Los problemas de multifidelidad más difíciles involucran diferencias de ecuación de gobierno (RANS vs. LES) en lugar de simples endurecimientos de red, y las estrategias de incorporación directa de baja fidelidad pueden degradarse cuando las discrepancias son grandes.

Qué significa la multifidelidad

Un modelo sustituto de fidelidad múltiple es un modelo estadístico o de aprendizaje automático que utiliza datos de múltiples fuentes de precisión variable para predecir el comportamiento del sistema. El término «fidelidad» se refiere a la precisión de la simulación: los modelos de alta fidelidad (full Navier-Stokes, mallas finas, física compleja) son caros pero precisos, mientras que los modelos de baja fidelidad (física simplificada, mallas gruesas, modelos de orden reducido) son Barato pero menos preciso.

El enfoque de multifidelidad explota el hecho de que las simulaciones más baratas a menudo se correlacionan con las costosas. Incluso un modelo de baja fidelidad cualitativamente correcto puede servir como un poderoso prior para datos costosos de alta fidelidad, mejorando drásticamente la eficiencia de la muestra en comparación con los enfoques de una sola fidelidad.

Ejemplos concretos

Optimización de CFD aeroespacial: El diseño de una forma de perfil aerodinámico requiere cientos de ejecuciones de simulación. Ejecutar cada uno con un solucionador completo de Navier-Stokes en una cuadrícula fina puede tomar minutos u horas por carrera. Ejecutar la misma simulación con un modelo de flujo potencial (baja fidelidad) lleva segundos. Un sustituto de múltiples fidelidades aprende la discrepancia entre el flujo potencial y la precisión de Navier-Stokes, luego predice resultados de alta fidelidad utilizando simulaciones principalmente baratas con algunos puntos de validación costosos.

Modelado de materiales compuestos: Predecir las propiedades mecánicas de un laminado compuesto en varias condiciones de carga requiere evaluar campos de tensión a escalas múltiples. El análisis completo de elementos finitos en 3D a nivel de capas es caro. Un modelo de teoría de capa (baja fidelidad) funciona mucho más rápido. El modelado de subrogación multifidelidad aprende la relación entre los dos, lo que permite una predicción rápida de propiedades para la exploración del espacio de diseño.

Almacenamiento geológico de carbono: la predicción de la migración de columnas de CO₂ durante décadas requiere resolver ecuaciones de flujo multifásicos. Las simulaciones de cuadrícula fina con acoplamiento termodinámico completo son prohibitivamente costosos para la cuantificación de la incertidumbre. Los enfoques de multifidelidad combinan simulaciones de cuadrícula gruesa (cheap) con ejecuciones de cuadrícula fina (caros) seleccionadas para crear sustitutos precisos para la evaluación de riesgos.

Estos ejemplos comparten un patrón común: hay muchas simulaciones baratas disponibles, algunas caras son factibles y los modelos baratos están correlacionados con los caros. El sustituto multifidelidad explota esta estructura.

Cuando la multifidelidad vale la pena

El modelado de multifidelidad agrega complejidad: debe recopilar datos de múltiples fuentes, estimar las correlaciones entre los niveles de fidelidad y usar algoritmos más sofisticados. No siempre es la elección correcta.

Condiciones de Toal

Las condiciones prácticas identificadas por toal (2015) bajo el cual el kriging multifidelidad en realidad mejora la precisión en comparación con los enfoques de fidelidad única: estas condiciones son sorprendentemente estrechas y, a menudo, se pasan por alto en la práctica:

1. Umbral de correlación: la correlación entre los niveles de fidelidad debe satisfacer r² > 0.9. Si el modelo de baja fidelidad produce resultados que solo se correlacionan débilmente con la verdad del terreno de alta fidelidad, el enfoque de multifidelidad puede empeorar las predicciones al introducir información conflictiva.
2. Fracción presupuestaria: La fracción del presupuesto de simulación total asignado a simulaciones baratas debe estar entre 0,1 y 0,8. Si gasta demasiado presupuesto en simulaciones baratas y muy pocas en costosas, el modelo de corrección no se puede calibrar correctamente. Si gasta muy poco en simulaciones baratas, no puede establecer la línea de base con precisión.
3. Relación de muestras conservativas: El número de muestras baratas debe exceder 1,75 veces (1 + 1/CR), donde CR es la relación de correlación entre los niveles de fidelidad. Esto asegura datos suficientes para aprender la función de discrepancia de manera confiable.

Cuando se cumplen estas condiciones, el kriging multifidelidad proporciona una precisión comparable a los modelos de una sola fidelidad que requerirían muchas muestras más caras. Cuando no se cumplen, los practicantes deben reconsiderar si es apropiado el modelado de multifidelidad.

Análisis de costo-beneficio

Más allá de las condiciones de TOAL, la adopción práctica de multifidelidad requiere evaluar sus restricciones específicas:

• Razón de costes de simulación: ¿Cuánto más barato es el modelo de baja fidelidad? Si la relación de costo es inferior a 10:1 (la simulación barata es menos del 10% del costo de la simulación costoso), el modelado multifidelidad se vuelve atractivo para los problemas que requieren miles de ejecuciones.
• Datos disponibles: ¿Ya tiene datos de simulación heredados de baja fidelidad? El modelado de multifidelidad es particularmente atractivo cuando existen datos históricos baratos, pero no se han recopilado datos de alta fidelidad.
• Requisitos de precisión: ¿Cuánta precisión necesita para su aplicación? Para el análisis del espacio de diseño exploratorio, la precisión moderada puede ser suficiente. Para la validación del diseño final, necesita una precisión de alta fidelidad.
• Presupuesto computacional: ¿Puede pagar cientos de simulaciones costosas? En caso afirmativo, los enfoques de una sola fidelidad pueden ser prácticos. Si no, es probable que sea necesaria la multifidelidad.

El siguiente marco de decisión resume estas compensaciones:

Sugerencia de imagen: una curva de compensación de costo-precisión que muestra que MF-Kriging logra una alta precisión a un costo más bajo en comparación con HiFi, con las condiciones de TOAL anotadas. Este diagrama ilustra la relación costo-exactitud.

Cuando la sola fidelidad puede ser suficiente

Modelado sustituto de fidelidad única (descrito en nuestra guía de machine learning sustitutos para científicos Simulaciones) es preferible cuando:

• Los modelos de baja fidelidad y alta fidelidad tienen R² < 0.9 Correlación: en este caso, la corrección multifidelidad introduce ruido en lugar de señal
• El modelo barato es solo marginalmente más rápido (relación de costo < 10:1) — La sobrecarga del modelado multifidelidad puede no justificar los ahorros
• Tiene suficiente presupuesto para suficientes muestras de alta fidelidad: si puede pagar cientos de ejecuciones costosas, los enfoques de una sola fidelidad con muestreo adaptativo pueden ser más prácticos
• Su problema tiene solo un nivel de fidelidad disponible; a veces, las simulaciones heredadas existen en un solo nivel de precisión

Métodos centrales

El panorama de modelado de subrogación multifidelidad abarca varias familias metodológicas distintas. Cada uno tiene diferentes suposiciones, fortalezas y debilidades.

1. Co-Kriging (procesos gaussianos de múltiples fidelidades)

El co-kriging es el método de multifidelidad más establecido, arraigado en la formulación autorregresiva de Kennedy y O’Hagan (2000). La idea clave es que el proceso de alta fidelidad se modela como una escala lineal del proceso de baja fidelidad más un término de discrepancia:

y_hf(x) = τ × y_lf(x) + δ(x) + ε

Donde τ escala la predicción de baja fidelidad, Δ(x) es una discrepancia de proceso gaussiana y ε es ruido. La formulación autorregresiva construye el modelo de alta fidelidad secuencialmente a partir de predicciones de baja fidelidad en lugar de tratar todos los niveles de fidelidad como entradas independientes.

La formulación estándar de co-kriging (AR1) asume una relación lineal entre los niveles de fidelidad. Las formulaciones más flexibles incluyen:

• AR0: El proceso de alta fidelidad es independiente del proceso de baja fidelidad (τ = 0), modelando solo el término de discrepancia
• AR1: la formulación autorregresiva estándar con escalado lineal
• Kriging jerárquico: evita la construcción de matriz de covarianza cruzada explícita, igualando la precisión de co-kriging con una implementación más simple

toal (2015) mostró que AR1 funciona bien cuando la correlación excede R² > 0.9, mientras que AR0 puede ser preferible cuando la correlación es menor pero los modelos comparten cierta similitud estructural.

Avances recientes (2024-2026): MAGPI (entradas de GP aumentadas con multifidelidad) utiliza predicciones de baja fidelidad como características espaciales adicionales para condicionar el espacio de entrada de alta fidelidad, evitando grandes salidas múltiples Inversiones de matriz manteniendo la cuantificación de la incertidumbre. Recursivo EM Co-Kriging (2025) Desvincula la optimización para obtener datos ruidosos y no anidados mediante actualizaciones de forma cerrada, reduciendo drásticamente el tiempo de entrenamiento fuera de línea.

2. Arquitecturas multifidelidad de operadores neuronales

Los operadores neuronales han surgido como un poderoso marco de multifidelidad, particularmente para problemas con restricciones de PDE. La comparación experimental por adam faza et al. (2026) en cuatro casos de prueba identificó varias arquitecturas distintas:

Transferir aprendizaje (mejor rendimiento): primero entrene a un operador neuronal con datos de baja fidelidad, luego ajuste con precisión los datos de alta fidelidad. La arquitectura aprende el comportamiento de simulación barato antes de adaptarse a la costosa verdad del terreno. En todos los casos de prueba, solo el aprendizaje por transferencia superó constantemente la línea base de alta fidelidad, contradiciendo la intuición común de que el entrenamiento conjunto debería funcionar mejor. Esto es particularmente valioso para los problemas de flujo inestable donde la incorporación directa de baja fidelidad falla en generalización.

Intermedio (entrenamiento conjunto): entrenar a un solo operador neuronal sobre los datos de ambos niveles de fidelidad simultáneamente. Este enfoque tiene el atractivo intuitivo de aprender ambos modelos conjuntamente, pero funciona mal cuando la baja fidelidad a la discrepancia de alta fidelidad es grande. La información contradictoria de los dos niveles de fidelidad confunde a la red.

Aprendizaje residual: Entrene a la red para predecir la diferencia entre las predicciones de alta fidelidad y baja fidelidad en lugar de la salida de alta fidelidad directamente. Esta arquitectura puede ser útil cuando el residuo es más simple que la salida completa, pero requiere predicciones precisas de baja fidelidad como entrada.

Arquitectura de dos pasos: entrenar una red sobre datos de baja fidelidad y una segunda red en la discrepancia, encadenando las predicciones. Esto desacopla las tareas de aprendizaje pero introduce errores de composición.

Faza et al. encontró que los operadores neurales de fidelidad múltiple son más sensibles a la baja fidelidad a la discrepancia de alta fidelidad que las líneas de base de una sola fidelidad. Las estrategias de incorporación directa de baja fidelidad (intermedio, residual, de dos pasos) se degradan cuando la discrepancia crece, mientras que el aprendizaje de transferencia se mantiene estable en las variaciones de tiempo.

Las arquitecturas de operadores neuronales más relevantes para la multifidelidad incluyen los operadores neuronales de Fourier (FNO) y las variantes DeepOnet. Tang et al. (2024) demostraron operadores neuronales de Fourier para aplicaciones de almacenamiento de carbono geológico, mientras que Lu et al. (2022) introdujeron arquitecturas DeeDeNet multifidelidad.

Wu et al. (2022) propusieron los procesos neuronales jerárquicos de múltiples fidelidades (MF-HNP) como un modelo de variable latente neural unificada para el modelado de subrogación multifidelidad escalable, que ofrece una alternativa a los enfoques basados en el operador.

3. Sustitutos de orden reducido

Las técnicas de modelado de orden reducido (ROM) como la descomposición ortogonal adecuada (POD) combinada con métodos temporales como LSTM pueden construir sustitutos de fidelidad múltiple para sistemas dependientes del tiempo. El repositorio Contipaolo/Multifidelity_pod proporciona una implementación de código abierto de modelado de sustitutos multifidelidad basado en pod con cuadernos tutoriales.

El enfoque funciona mediante la extracción de modos dominantes a partir de datos de simulación de baja fidelidad, y luego aprendiendo a corregir esos modos utilizando datos de alta fidelidad. Esto es particularmente atractivo para los sistemas donde el comportamiento físico dominante es capturado cualitativamente por el modelo de baja fidelidad, y las correcciones de alta fidelidad son relativamente pequeñas.

4. Correcciones ML híbridas

Los enfoques híbridos combinan el modelado sustituto tradicional con redes de corrección de aprendizaje automático. Por ejemplo, un sustituto de proceso gaussiano basado en datos de baja fidelidad puede ser corregido por una red neuronal capacitada en datos de alta fidelidad. Este enfoque aprovecha la fuerte cuantificación de la incertidumbre de los procesos gaussianos al mismo tiempo que se beneficia de la flexibilidad de las redes neuronales para aprender discrepancias complejas.

Ravi et al. (2024) proporcionaron una comparación exhaustiva de los métodos de modelado de subrogación de procesos gaussianos de múltiples fidelidades, que incluyen formulaciones autorregresivas, enfoques jerárquicos y procesos gaussianos multiproductos latentes de mapa latente.

Implementación práctica

El ecosistema de Python para el modelado de multifidelidad está fragmentado pero madura. Tres kits de herramientas principales cubren diferentes aspectos del paisaje. Comprender qué herramienta se ajusta a su problema es esencial.

SMT: Procesos Gaussianos de Multifidelidad

SMT (caja de herramientas de modelado sustituto) proporciona la implementación de Kriging multifidelidad más completa en Python, incluyendo MFK (Kriging multifidelidad) y MFCK (co-kriging multifidelidad). Admite formulaciones de mapas automáticos y latentes y se integra bien con flujos de trabajo basados en scipy.

Sugerencia de imagen: Un diagrama de jerarquía de fidelidad que ilustra el flujo de datos a través de la tubería de co-kring de SMT: simulaciones de baja fidelidad → muestras de alta fidelidad → estimación de correlación → modelo de co-kring → predicciones corregidas.

Aquí hay un ejemplo práctico utilizando el co-kring multifidelidad de SMT:

import numpy as np
from smt.smt import MultiFidelityKriging
from smt.surveys import design_of_experiments as doe

# Low-fidelity data (cheap simulations)
lf_x = doe.sobol(100, 2)  # 100 samples, 2 input dimensions
lf_y = np.sin(lf_x[:, 0]) + 0.1 * lf_x[:, 1]  # Simplified physics

# High-fidelity data (expensive simulations)
hf_x = doe.latin_hypercube(20, 2)  # 20 expensive samples
hf_y = np.sin(hf_x[:, 0]) + 0.1 * hf_x[:, 1] + 0.05 * np.sin(5 * hf_x[:, 0])  # Full physics

# Build multi-fidelity co-kriging model
model = MultiFidelityKriging()
model.lf_des = lf_x
model.lf_resp = lf_y
model.hf_des = hf_x
model.hf_resp = hf_y

# Train the model
model.execute()

# Predict for new design points
test_points = doe.latin_hypercube(50, 2)
predictions = model.hf_response(test_points)

La información clave de Toal (2015) se aplica aquí: verificar que la correlación entre LF_Y y HF_Y excede R² > 0.9 antes de confiar en el modelo de multifidelidad. Puede estimar esta correlación empíricamente antes del entrenamiento.

DeepXde: operadores neuronales multifidelidad informados por la física

DeepXde proporciona infraestructura para operadores neuronales informados en física con capacidades de fidelidad múltiple. El framework combina restricciones de física (residuos PDE) con datos de fidelidad múltiple, lo que lo hace particularmente útil cuando se dispone de ecuaciones de gobierno en múltiples niveles de fidelidad.

Para el entrenamiento de operadores neuronales de fidelidad múltiple con DEEPXDE:

import deepxde as dde
import numpy as np

# Define the physics problem (example: 1D Poisson equation)
def physics_function(x):
    # Ground truth: -u''(x) = f(x) with boundary conditions
    u_exact = np.sin(np.pi * x)
    f = np.pi**2 * u_exact
    return f

# Low-fidelity data
x_lf = np.linspace(0, 1, 50)[:, np.newaxis]
u_lf = np.sin(np.pi * x_lf) + 0.02 * np.random.rand(50, 1)

# High-fidelity data (expensive)
x_hf = np.linspace(0, 1, 20)[:, np.newaxis]
u_hf = np.sin(np.pi * x_hf)  # True solution

# Multi-fidelity neural operator setup
# Transfer learning: train on LF first, then fine-tune on HF
# This is the architecture that consistently outperforms others
# across PDE test cases (Faza et al., 2026)

El enfoque de aprendizaje por transferencia aquí capacita a un operador neural sobre los datos de baja fidelidad primero (aprender el comportamiento de la solución general), luego afina los datos de alta fidelidad (que se adaptan a la verdad del terreno preciso). Este enfoque de inicialización del peso es más sólido que el entrenamiento conjunto cuando la brecha de fidelidad es grande.

DeepXde es particularmente útil cuando tiene residuos PDE disponibles y desea aplicar restricciones de física junto con datos de fidelidad múltiple. Esto se conoce como modelado multifidelidad basado en la física.

Multifidelity_pod: modelado multifidelidad de orden reducido

El repositorio multifidelity_pod proporciona modelado de orden reducido utilizando una descomposición ortogonal adecuada combinada con métodos temporales para sistemas multifidelidad dependientes del tiempo. Esto es particularmente útil para problemas inestables en los que necesita una corrección de fidelidad tanto espacial como temporal.

# MultiFidelity_POD usage pattern
import MultiFidelity_POD as mfpod

# Load low-fidelity and high-fidelity simulation snapshots
lf_snapshots = np.load('lf_snapshots.npy')  # Shape: (time_steps, spatial_modes)
hf_snapshots = np.load('hf_snapshots.npy')  # Shape: (time_steps, spatial_modes)

# Build reduced-order multi-fidelity model
model = mfpod.MultiFidelityROM()
model.fit(lf_snapshots, hf_snapshots)

# Predict unsteady behavior at new conditions
predictions = model.predict_new_conditions(test_conditions)

Multifidelity_pod es ideal cuando su problema involucra datos de simulación dependientes del tiempo (CFD inestable, análisis térmico transitorio) y necesita corregir el comportamiento tanto espacial como temporal. El repositorio incluye cuadernos tutoriales que demuestran el flujo de trabajo.

Elegir su kit de herramientas

El ecosistema está madurando: las suites de referencia como MF2 están comenzando a proporcionar marcos de comparación estandarizados. Hasta que surja un kit de herramientas unificado, los profesionales deben seleccionar herramientas en función de sus requisitos de fidelidad específicos, datos disponibles y restricciones computacionales.

Estudios de casos

CFD aeroespacial: Optimización del perfil aerodinámico transónico

Una de las aplicaciones de multifidelidad más establecidas es la optimización de la forma aerodinámica. fernández-godino et al. (2023) documentaron que la mecánica de fluidos (46%) y la mecánica de sólidos (25%) dominan las aplicaciones de multifidelidad en la literatura encuestada.

El flujo de trabajo típico para la optimización del perfil aerodinámico utiliza:

• Baja fidelidad: Solucionador de flujo potencial (segundos por ejecución)
• High-Fidelity: Solucionador completo de Navier-Stokes con modelado de turbulencia (minutos a horas por ejecución)

El modelo de flujo potencial captura con precisión las características de distribución de presión dominante, pero pasa por alto los efectos viscosos y la física de ondas de choque. El sustituto multifidelidad aprende la discrepancia, lo que permite una evaluación rápida de miles de candidatos a diseño utilizando simulaciones de flujo potencial en su mayoría baratas con ejecuciones de validación de Navier-Stokes seleccionadas.

Se ha demostrado que la optimización bayesiana multifidelidad utilizando este enfoque reduce el número de evaluaciones de alta fidelidad requeridas para la optimización de perfiles aerodinámicos por orden de magnitud en comparación con los enfoques de una sola fidelidad. La correlación entre las predicciones de flujo potencial y las predicciones de Navier-Stokes es típicamente lo suficientemente alta (r² > 0,9) para satisfacer condiciones de TOAL, haciendo de esto un fuerte Candidato a modelado multifidelidad.

La explicación práctica de Robert Wenink proporciona un excelente recorrido pedagógico de este flujo de trabajo utilizando Forrester et al. Problema de referencia, lo que demuestra cómo el co-kriging aprovecha de manera efectiva la relación de datos barata a costosa.

Mecánica compuesta: Sustitutos multifidelidad para composites

Wen (2026) demostró modelado de subrogación de fidelidad múltiple para la mecánica compuesta, pasando de co-kring a redes neuronales de fidelidad múltiple. El estudio abordó la predicción de propiedades mecánicas para laminados compuestos bajo diversas condiciones de carga, donde:

• Baja fidelidad: modelo de teoría de capa (rápido, captura el comportamiento macroscópico)
• High-Fidelity: análisis completo de elementos finitos 3D a nivel de capa (preciso, computacionalmente caro)

El estudio mostró que el co-kriging superó a los procesos gaussianos de una sola fidelidad cuando la correlación entre la teoría por capas y la FEM 3D completa excedió a R² > 0.9. Para los casos en que la correlación fue moderada, el estudio pasó a redes neuronales de fidelidad múltiple, que manejan discrepancias más grandes de manera más sólida.

Este caso destaca una decisión práctica: cuando la correlación de baja fidelidad a alta fidelidad es fuerte, el co-Kriging es eficiente y bien entendido. Cuando la correlación es más débil (como puede ocurrir con escenarios de carga complejos o capas fuera del eje), pueden ser preferibles los enfoques de operadores neuronales.

Almacenamiento de carbono geológico: simulación de flujo multifidelidad

Predecir la migración de columnas de CO₂ durante décadas requiere resolver ecuaciones de flujo multifásico con acoplamiento termodinámico completo. Las simulaciones de cuadrícula fina con física completa son prohibitivamente costosas para la cuantificación de la incertidumbre, lo que requiere miles de realizaciones.

Los enfoques de multifidelidad combinan:

• Baja fidelidad: simulaciones de red gruesa con termodinámica simplificada (barato)
• Alta fidelidad: simulaciones de cuadrícula fina con acoplamiento termodinámico completo (caro)

Tang et al. (2024) demostraron operadores neuronales de Fourier para aplicaciones de almacenamiento de carbono geológico, mostrando que los operadores neuronales de fidelidad pueden aprender la discrepancia entre las simulaciones de cuadrícula fina y gruesa al mismo tiempo que respetan las restricciones físicas subyacentes.

Esta aplicación es particularmente interesante porque la brecha de fidelidad implica tanto la resolución de la red como la simplificación del modelo físico. El modelo de baja fidelidad utiliza cuadrículas más gruesas y termodinámica simplificada, mientras que el modelo de alta fidelidad resuelve la heterogeneidad de escala fina y el comportamiento de fase completa. Esto está más cerca del escenario de «diferencias de gobierno y de ecuación» (RANS vs. LES en CFD) que en el simple endurecimiento de la red, lo que lo convierte en un caso de prueba desafiante pero prácticamente importante.

Marco de decisión y de decisión

El modelado de suplentes de fidelidad múltiple ofrece un potencial significativo para reducir el costo computacional, pero introduce una complejidad que debe administrarse cuidadosamente.

Complejidad vs Precisión

La compensación principal en el modelado de multifidelidad es entre la complejidad del modelo y la ganancia de precisión. Los enfoques de multifidelidad requieren:

• Más recopilación de datos: necesita datos de múltiples niveles de fidelidad, no solo de uno
• Estimación de correlación: debe estimar la correlación entre los niveles de fidelidad
• Algoritmos más sofisticados: el co-kring, los operadores neuronales y los métodos de orden reducido son más complejos que las redes neuronales básicas de fidelidad única.
• Sintonización de parámetros: los modelos de fidelidad múltiple tienen hiperparámetros adicionales (relaciones de correlación, pesos de fidelidad)

La ganancia de precisión debe justificar esta complejidad. Para los problemas que requieren miles de simulaciones en las que las ejecuciones de alta fidelidad llevan horas, el modelado multifidelidad puede reducir el tiempo total de cálculo en órdenes de magnitud. Para problemas con recuentos de simulación modestas, es posible que la sobrecarga no valga la pena.

Marco de decisión

Utilice este marco de decisión para determinar cuándo es apropiado el modelado de multifidelidad:

Cuándo utilizar la multifidelidad:

• Las simulaciones de alta fidelidad son caras (horas por ejecución) y necesitas muchas evaluaciones (cientos+)
• Las simulaciones de baja fidelidad están disponibles y correlacionadas (R² > 0.9) con resultados de alta fidelidad
• Tiene datos históricos de baja fidelidad que puede aprovechar
• Sus requisitos de precisión son moderados para las fases de exploración

Cuándo usar la única fidelidad:

• Las simulaciones de alta fidelidad son lo suficientemente baratas (minutos por ejecución) como para poder pagar suficientes muestras
• Los modelos de baja fidelidad tienen una correlación débil (R² < 0.9) con resultados de alta fidelidad
• Solo tienes un nivel de fidelidad disponible
• Necesita precisión de validación final y no puede confiar en correcciones de modelos baratas

Cuando la complejidad de MF puede no valer la pena:

• La brecha de fidelidad es pequeña (relación de costo < 10:1) — La sobrecarga puede no justificar el ahorro
• Su problema tiene una débil correlación entre los niveles de fidelidad: la corrección multifidelidad introduce ruido
• Tiene un presupuesto suficiente para el muestreo adaptativo de una sola fidelidad: el muestreo adaptativo de una sola fidelidad puede ser más efectivo

Recomendaciones prácticas

1. Estimar la correlación primero: antes de invertir en modelos de fidelidad múltiple, estime la correlación entre los datos disponibles de baja fidelidad y alta fidelidad. Si R² < 0.9, reconsidere si la multifidelidad es apropiada o si necesita un modelo de baja fidelidad diferente.
2. Comienza con Co-Kriging: si la correlación es fuerte, comienza con Co-Kriging (SMT). Está bien entendido, proporciona una cuantificación de incertidumbre confiable y es más fácil de implementar que los enfoques de operadores neuronales.
3. Considere el aprendizaje de transferencia para operadores neuronales: si necesita flexibilidad de operadores neuronales (entradas de alta dimensión, geometrías complejas), el aprendizaje de transferencia supera constantemente a otras arquitecturas en los casos de prueba (Faza et al., 2026).
4. Supervise la discrepancia: realice un seguimiento de cómo evoluciona la baja fidelidad a la discrepancia de alta fidelidad durante el entrenamiento. Si se hace demasiado grande, el modelo de multifidelidad puede degradarse; es entonces cuando pueden ser preferibles los enfoques de fidelidad simple o diferentes modelos de baja fidelidad.
5. Validar con datos de retención: siempre valide las predicciones de fidelidad múltiple contra datos de alta fidelidad. Los modelos de multifidelidad pueden adaptarse a la estructura de discrepancia, especialmente cuando la correlación es moderada.

Resumen

El modelado de subrogación multifidelidad combina simulaciones baratas de baja fidelidad con costosos datos de alta fidelidad para lograr predicciones precisas a un costo computacional significativamente menor. El marco explota la correlación entre los niveles de fidelidad, utilizando el aprendizaje automático para aprender y corregir la discrepancia entre ellos.

Perspectivas prácticas clave:

• Transfer Learning es actualmente la estrategia de operador neuronal multifidelidad más sólida en los casos de prueba de PDE, superando constantemente las arquitecturas de capacitación conjunta
• El kriging multifidelidad tiene condiciones de aplicabilidad estrechas (r² > 0,9 correlación, fracción presupuestaria 0,1-0,8) que a menudo se pasan por alto
• El ecosistema de Python está fragmentado: SMT, DeepXde y Multifidelity_Pod cubren diferentes aspectos, y ninguna biblioteca hace todo.
• Los problemas prácticos más difíciles implican diferencias de gobierno-ecuación (RANS vs. LES) en lugar de simples engrasamientos de cuadrícula
• El modelado sustituto de fidelidad única puede ser suficiente cuando la correlación es débil o el presupuesto computacional es adecuado

Para los profesionales que consideran el modelado de múltiples fidelidades, el marco de decisión anterior proporciona una guía concreta sobre cuándo usarlo y cuándo evitarlo. El mensaje central es claro: los sustitutos de fidelidad múltiple son poderosos cuando se cumplen las condiciones, pero agregan complejidad que debe justificarse por la ganancia de precisión y los ahorros computacionales.

Si está explorando los enfoques de modelado sustituto de manera más amplia, nuestra guía de máquina de aprendizaje sustitutos para simulaciones científicas cubre las bases de una sola fidelidad, mientras que nuestra Guía de expansiones de caos polinomial proporciona una alternativa rápida Enfoque sustituto.

Guías relacionadas

• Surrogate de aprendizaje automático para simulaciones científicas — Cubre procesos gaussianos, redes neuronales y PCE sustitutos a nivel de fidelidad única
• Cuantificación de incertidumbre y análisis de sensibilidad: explora los métodos de UQ, incluida la multifidelidad mencionada brevemente
• expansiones de caos polinomiales: subrogación rápida — Enfoque alternativo de subrogación para la propagación de la incertidumbre
• Redes neuronales informadas con la física (PINNS) — Cubre los pins y su relación con los enfoques multifidelidad informados en la física.

Referencias clave

• fernández-godino et al. (2023) — Revisión de modelos multifidelidad — La encuesta completa definitiva que cubre todos los métodos, aplicaciones y tendencias de MF
• Adam Faza et al. (2026) — sobre operador neuronal multifidelidad para predicciones PDE basadas en datos — Comparación experimental de arquitecturas MF-NO (transferencia de aprendizaje, intermedio, residual, de dos pasos)
• Documentación de SMT (caja de herramientas de modelado sustituto) — La biblioteca de Python más completa para el modelado de sustitutos basado en GP, incluidas las implementaciones de Kriging (MFK) y Co-Kriging (MFCK) de fidelidad múltiple (MFK)
• Contipaolo/Multifidelity_pod GitHub — Implementación de código abierto de modelado de sustitutos MF basado en pod con cuaderno tutorial
• Ravi et al. — Modelado de sustitutos de procesos gaussianos de múltiples fidelidades — Comparación integral de métodos MF-GP (AR1, Autoregresivo, Jerárquico)
• toal (2015) — algunos Consideraciones relativas al uso de kriging multifidelidad — Condiciones prácticas definitivas para cuando funciona MF-Kriging (correlación, presupuesto, relación de muestra)
• Wu et al. (2022) — Procesos jerárquicos jerárquicos de multifidelidad — Arquitectura MF-HNP para modelado de subrogación de MF escalable
• wen (2026) — sustitutos multifidelidad para mecánicas de Composites — Aplicación reciente de vanguardia a materiales compuestos

Próximos pasos

Si está evaluando enfoques de fidelidad múltiple para su problema específico:

1. Evaluar la correlación entre los modelos disponibles de baja fidelidad y alta fidelidad (estimar R² empíricamente)
2. Estimar la relación de costo y el presupuesto total de simulación
3. Compruebe condiciones de TOAL (Correlación > 0,9, fracción presupuestaria 0,1-0,8)
4. Si se cumplen las condiciones, prototipo con los enfoques de procesos de Gaussian de SMT o el aprendizaje de transferencia de DeepXde para operadores neuronales
5. Validar contra datos de alta fidelidad de Holdout antes de implementar

Para los profesionales que trabajan con sistemas dependientes del tiempo, el repositorio MULTIFIDELITY_POD proporciona cuadernos tutoriales que demuestran flujos de trabajo multifidelidad de orden reducido. Para aquellos que exploran la optimización bayesiana de múltiples fidelidades, el trabajo de seguimiento sobre las estrategias de muestreo adaptativo y ego se basa en los cimientos descritos aquí.