{"id":542,"date":"2026-07-22T08:18:02","date_gmt":"2026-07-22T08:18:02","guid":{"rendered":"https:\/\/matforge.org\/?p=542","raw":"https:\/\/matforge.org\/?p=542"},"modified":"2026-07-22T08:18:02","modified_gmt":"2026-07-22T08:18:02","slug":"spectral-methods-for-pde-simulation-theory-implementation-and-when-to-use-them","status":"publish","type":"post","link":"https:\/\/matforge.org\/es\/spectral-methods-for-pde-simulation-theory-implementation-and-when-to-use-them\/","title":{"rendered":"M\u00e9todos espectrales para la simulaci\u00f3n de PDE: teor\u00eda, implementaci\u00f3n y cu\u00e1ndo usarlos","raw":"M\u00e9todos espectrales para la simulaci\u00f3n de PDE: teor\u00eda, implementaci\u00f3n y cu\u00e1ndo usarlos"},"content":{"rendered":"Reading Time: <\/span> 12<\/span> minutes<\/span><\/span>
\n

Los m\u00e9todos espectrales son t\u00e9cnicas num\u00e9ricas de orden superior para resolver ecuaciones diferenciales parciales. A diferencia de los m\u00e9todos de diferencia finita, que se aproximan a las derivadas a trav\u00e9s de plantillas locales, los m\u00e9todos espectrales representan la soluci\u00f3n con funciones b\u00e1sicas que se extienden a lo largo de todo el dominio computacional.<\/p>\n

Las opciones comunes incluyen modos de Fourier para problemas peri\u00f3dicos y polinomios de Chebyshev o Legendre para dominios acotados y no peri\u00f3dicos. Cuando la soluci\u00f3n es suficientemente suave, estas aproximaciones globales pueden alcanzar una precisi\u00f3n muy alta con relativamente pocos grados de libertad.<\/p>\n

Esta ventaja viene con limitaciones importantes. Los m\u00e9todos espectrales funcionan mejor en dominios simples con soluciones suaves y condiciones de contorno bien definidas. Las discontinuidades causan oscilaciones, la geometr\u00eda compleja debilita la conveniencia de las bases globales y la integraci\u00f3n del tiempo expl\u00edcita puede verse severamente restringida a medida que aumenta la resoluci\u00f3n.<\/p>\n

\u00bfQu\u00e9 son los m\u00e9todos espectrales?<\/h2>\n

Un m\u00e9todo espectral se aproxima a una funci\u00f3n como una suma ponderada de funciones de base suave:<\/p>\n

u(x) \u2248 \u03a3 c\u2099 \u03c6\u2099(x)<\/code><\/pre>\n
Las funciones \u03c6\u2099<\/code> forman la base espectral, mientras que los coeficientes c\u2099<\/code> describen la contribuci\u00f3n de cada modo. En lugar de almacenar solo informaci\u00f3n local, cada coeficiente puede afectar la aproximaci\u00f3n en todo el dominio completo.<\/p>\n
La base debe reflejar la estructura del problema. Las funciones de Fourier son naturales para los dominios peri\u00f3dicos porque ya satisfacen la periodicidad. Los polinomios de Chebyshev y Legendre se usan com\u00fanmente en intervalos finitos como [-1, 1]<\/code>.<\/p>\n
Los m\u00e9todos espectrales no son simplemente esquemas de diferencia finita de muy alto orden. Siguen una estrategia de aproximaci\u00f3n diferente. Los m\u00e9todos locales construyen la soluci\u00f3n a partir de informaci\u00f3n en celdas o elementos cercanos. Los m\u00e9todos espectrales utilizan modos globales que pueden describir una funci\u00f3n suave con una eficiencia notable.<\/p>\n
Tres principales formulaciones espectrales<\/h2>\n
Los m\u00e9todos espectrales pueden hacer cumplir la PDE gobernante de varias maneras.<\/p>\n
M\u00e9todos de colocaci\u00f3n<\/h3>\n
Un m\u00e9todo de colocaci\u00f3n requiere que la ecuaci\u00f3n diferencial se mantenga en puntos de cuadr\u00edcula seleccionados. Estos puntos a menudo est\u00e1n conectados a la regla de base y cuadratura, como puntos de cuadr\u00edcula de Fourier o nodos de chebyshev-gauss-lobatto.<\/p>\n
La colocaci\u00f3n es popular porque convierte las derivadas en operaciones de matriz o transformaciones espectrales. Tambi\u00e9n es relativamente f\u00e1cil de combinar con t\u00e9rminos no lineales evaluados en el espacio f\u00edsico.<\/p>\n
M\u00e9todos de Galerkin<\/h3>\n
Un m\u00e9todo Galerkin proyecta el residuo del PDE en las funciones b\u00e1sicas seleccionadas. El residuo no necesita desaparecer en cada punto, pero debe ser ortogonal al espacio de aproximaci\u00f3n.<\/p>\n
Esta formulaci\u00f3n proporciona una forma d\u00e9bil natural y puede conservar importantes propiedades de energ\u00eda o simetr\u00eda cuando se dise\u00f1a cuidadosamente.<\/p>\n
M\u00e9todos de Tau<\/h3>\n
Un m\u00e9todo TAU modifica las ecuaciones seleccionadas asociadas con los modos de orden m\u00e1s alto, de modo que se pueden imponer condiciones de contorno. Est\u00e1 estrechamente relacionado con el enfoque de Galerkin, pero maneja las restricciones de manera diferente.<\/p>\n
El software espectral moderno puede ocultar gran parte de este detalle de implementaci\u00f3n. Sin embargo, los usuarios a\u00fan deben comprender c\u00f3mo la formulaci\u00f3n elegida representa las condiciones de contorno y los operadores diferenciales.<\/p>\n
M\u00e9todos espectrales de Fourier<\/h2>\n
Los m\u00e9todos de Fourier representan una soluci\u00f3n peri\u00f3dica como una suma de modos trigonom\u00e9tricos:<\/p>\n
u(x) \u2248 \u03a3 \u00fb\u2096 exp(ikx)<\/code><\/pre>\n
La diferenciaci\u00f3n se vuelve especialmente simple en el espacio espectral:<\/p>\n
d\u00fb\u2096\/dx = ik \u00fb\u2096<\/code><\/pre>\n
Por lo tanto, un solucionador num\u00e9rico puede transformar la soluci\u00f3n en coeficientes de Fourier, multiplicar cada coeficiente por el n\u00famero de onda apropiado y transformar el resultado en espacio f\u00edsico.<\/p>\n
La transformada r\u00e1pida de Fourier reduce el costo de estas operaciones a aproximadamente O(N log N)<\/code>. Esto hace que los m\u00e9todos de Fourier sean altamente eficientes para simulaciones peri\u00f3dicas que involucran ondas, turbulencias, din\u00e1mica de fluidos y formaci\u00f3n de patrones.<\/p>\n
Un derivado de Fourier en Python<\/h2>\n
La siguiente funci\u00f3n calcula la primera derivada de una funci\u00f3n peri\u00f3dica muestreada en una cuadr\u00edcula uniforme:<\/p>\n
import numpy as np\nfrom scipy.fft import fft, ifft, fftfreq\n\ndef fourier_derivative(values, domain_length):\n    \"\"\"Return the first derivative of periodic grid data.\"\"\"\n\n    number_of_points = len(values)\n    spacing = domain_length \/ number_of_points\n\n    wave_numbers = (\n        2.0\n        * np.pi\n        * fftfreq(number_of_points, d=spacing)\n    )\n\n    spectral_values = fft(values)\n    spectral_derivative = (\n        1j\n        * wave_numbers\n        * spectral_values\n    )\n\n    return ifft(spectral_derivative).real\n\n\n# Example\nlength = 2.0 * np.pi\npoints = 128\n\nx = np.linspace(\n    0.0,\n    length,\n    points,\n    endpoint=False\n)\n\nvalues = np.sin(3.0 * x)\nderivative = fourier_derivative(values, length)\n\nexact_derivative = 3.0 * np.cos(3.0 * x)\nerror = np.max(np.abs(derivative - exact_derivative))\n\nprint(\"Maximum error:\", error)<\/code><\/pre>\n
Para una funci\u00f3n peri\u00f3dica suave que est\u00e1 bien resuelta por la cuadr\u00edcula, la derivada puede ser extremadamente precisa. El m\u00e9todo tambi\u00e9n evita el error de truncamiento asociado con una plantilla de diferencia finita corta.<\/p>\n
M\u00e9todos espectrales de Chebyshev<\/h2>\n
Los modos de Fourier no son adecuados cuando la soluci\u00f3n no es peri\u00f3dica. Los m\u00e9todos de Chebyshev proporcionan una alternativa com\u00fan en un intervalo finito.<\/p>\n
Los nodos chebyshev-gauss-lobatto est\u00e1n definidos por:<\/p>\n
x\u2c7c = cos(\u03c0j \/ N),  j = 0, ..., N<\/code><\/pre>\n
Estos puntos se agrupan cerca de los puntos finales. La agrupaci\u00f3n mejora la interpolaci\u00f3n polinomial y ayuda a controlar las grandes oscilaciones que pueden ocurrir con la interpolaci\u00f3n de orden superior igualmente espaciada.<\/p>\n
El mismo agrupamiento tambi\u00e9n crea un desaf\u00edo de paso en el tiempo. El espaciamiento m\u00e1s peque\u00f1o cerca de los l\u00edmites se vuelve mucho m\u00e1s peque\u00f1o que el espaciado promedio de la cuadr\u00edcula, lo que puede imponer l\u00edmites de estabilidad restrictivos en los m\u00e9todos expl\u00edcitos.<\/p>\n
Construyendo una matriz de diferenciaci\u00f3n de Chebyshev<\/h2>\n
La siguiente implementaci\u00f3n crea la matriz de diferenciaci\u00f3n Chebyshev est\u00e1ndar de primer orden:<\/p>\n
import numpy as np\n\ndef chebyshev_differentiation_matrix(order):\n    \"\"\"Return Chebyshev nodes and first derivative matrix.\"\"\"\n\n    if order == 0:\n        return (\n            np.array([1.0]),\n            np.array([[0.0]])\n        )\n\n    indices = np.arange(order + 1)\n    nodes = np.cos(np.pi * indices \/ order)\n\n    coefficients = np.ones(order + 1)\n    coefficients[0] = 2.0\n    coefficients[-1] = 2.0\n\n    coefficients *= (-1.0) ** indices\n\n    node_matrix = np.tile(\n        nodes,\n        (order + 1, 1)\n    )\n\n    differences = (\n        node_matrix.T\n        - node_matrix\n    )\n\n    ratio_matrix = np.outer(\n        coefficients,\n        1.0 \/ coefficients\n    )\n\n    derivative_matrix = (\n        ratio_matrix\n        \/ (\n            differences\n            + np.eye(order + 1)\n        )\n    )\n\n    derivative_matrix -= np.diag(\n        np.sum(\n            derivative_matrix,\n            axis=1\n        )\n    )\n\n    return nodes, derivative_matrix\n\n\n# Example\norder = 32\nx, derivative_matrix = (\n    chebyshev_differentiation_matrix(order)\n)\n\nvalues = np.exp(x)\nnumerical_derivative = derivative_matrix @ values\nexact_derivative = np.exp(x)\n\nerror = np.max(\n    np.abs(\n        numerical_derivative\n        - exact_derivative\n    )\n)\n\nprint(\"Maximum error:\", error)<\/code><\/pre>\n
La matriz de diferenciaci\u00f3n es densa porque cada funci\u00f3n de base global influye en todo el intervalo. Una multiplicaci\u00f3n directa de matriz-vector tiene un costo de aproximadamente O(N\u00b2)<\/code>.<\/p>\n
Para problemas unidimensionales moderados, esto a\u00fan puede ser pr\u00e1ctico. Las simulaciones m\u00e1s grandes pueden usar m\u00e9todos basados en transformaciones, reformulaciones escasas, descomposici\u00f3n de dominio o bibliotecas especializadas.<\/p>\n
Por qu\u00e9 la convergencia espectral puede ser tan r\u00e1pida<\/h2>\n
La principal ventaja de los m\u00e9todos espectrales es su tasa de convergencia para soluciones suaves. Una diferencia finita de orden bajo o m\u00e9todo de elementos finitos normalmente converge algebraicamente:<\/p>\n
Error \u2248 C N\u207b\u1d56<\/code><\/pre>\n
El valor de p<\/code> depende del orden del m\u00e9todo. Por ejemplo, duplicar el n\u00famero de puntos en un m\u00e9todo de segundo orden puede reducir el error en aproximadamente un factor de cuatro cuando la soluci\u00f3n est\u00e1 en el rango de convergencia asint\u00f3tica.<\/p>\n
Para una soluci\u00f3n anal\u00edtica, una aproximaci\u00f3n espectral puede converger geom\u00e9trica o exponencialmente:<\/p>\n
Error \u2248 C exp(-\u03b1N)<\/code><\/pre>\n
Esto significa que aumentar el n\u00famero de modos puede reducir el error mucho m\u00e1s r\u00e1pido que aumentar la resoluci\u00f3n de un m\u00e9todo local de orden bajo.<\/p>\n
Una introducci\u00f3n pr\u00e1ctica con ejemplos num\u00e9ricos est\u00e1 disponible en M\u00e9todos espectrales en MATLAB<\/i><\/a>.<\/p>\n
El requisito de suavidad<\/h2>\n
La convergencia exponencial no ocurre para cada funci\u00f3n. Depende de la regularidad de la soluci\u00f3n exacta.<\/p>\n