{"id":544,"date":"2026-07-22T08:18:02","date_gmt":"2026-07-22T08:18:02","guid":{"rendered":"https:\/\/matforge.org\/?p=544","raw":"https:\/\/matforge.org\/?p=544"},"modified":"2026-07-22T08:18:02","modified_gmt":"2026-07-22T08:18:02","slug":"inverse-problems-parameter-estimation-pde-models","status":"publish","type":"post","link":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/","title":{"rendered":"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE","raw":"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 15<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>Un problema inverso hace una pregunta simple pero fundamentalmente dif\u00edcil: dadas las mediciones o las salidas de simulaci\u00f3n, \u00bfcu\u00e1les son los par\u00e1metros ocultos que los produjeron? En el modelado a plazo, especifica las condiciones iniciales y de contorno, las propiedades del material y los t\u00e9rminos de origen, luego integra las ecuaciones de gobierno para predecir el comportamiento del sistema. En un problema inverso, cambias el proceso. Observa el resultado: un campo de temperatura, un perfil de presi\u00f3n, un desplazamiento, y trata de recuperar los insumos desconocidos que lo impulsaron.<\/p>\n<p>Esta es la estimaci\u00f3n de par\u00e1metros para los modelos PDE: la maquinaria matem\u00e1tica para convertir las mediciones en estimaciones de par\u00e1metros y las herramientas computacionales que las hacen pr\u00e1cticas. Aparece en todas partes, desde la geof\u00edsica (estimando la permeabilidad del subsuelo, desde las mediciones de pozos) hasta la ciencia de los materiales (recuperando los coeficientes de difusi\u00f3n de los campos de concentraci\u00f3n observados) hasta el aprendizaje autom\u00e1tico basado en la f\u00edsica (descubrir ecuaciones de gobierno a partir de datos).<\/p>\n<p>El desaf\u00edo es que los problemas inversos casi siempre est\u00e1n mal planteados. Peque\u00f1os errores en sus datos pueden producir estimaciones tremendamente err\u00f3neas. Sin una formulaci\u00f3n matem\u00e1tica cuidadosa y una regularizaci\u00f3n num\u00e9rica, sus par\u00e1metros de mejor ajuste pueden ser completamente enga\u00f1osos.<\/p>\n<h2>Comida clave<\/h2>\n<ul>\n<li><strong>Cada problema inverso comienza con un modelo de avance.<\/strong> El mapa de par\u00e1metro a soluci\u00f3n $y = mathcal{g}(theta)$ define c\u00f3mo los par\u00e1metros $theta$ producen observables $y$. Los problemas inversos recuperan $theta$ de las mediciones ruidosas.<\/li>\n<li><strong>La discretizaci\u00f3n importa m\u00e1s de lo que piensas.<\/strong> El orden en el que discretizas el modelo de avance, impones regularizaci\u00f3n y resuelves el problema inverso (DTI vs CTI vs ITD) determina si tus resultados dependen de tu malla o reflejan la realidad f\u00edsica.<\/li>\n<li><strong>Regularizaci\u00f3n doma la malposici\u00f3n.<\/strong> La regularizaci\u00f3n de Tikhonov, el an\u00e1lisis de la curva L y el principio de discrepancia le brindan formas pr\u00e1cticas de elegir par\u00e1metros de regularizaci\u00f3n sin sobreajustar.<\/li>\n<li><strong>El m\u00e9todo adjunto calcula los gradientes de manera eficiente.<\/strong> En lugar de calcular costosas aproximaciones de diferencia finita para cada par\u00e1metro, las ecuaciones adjuntas resuelven informaci\u00f3n de gradiente en un solo barrido hacia atr\u00e1s, cr\u00edtico cuando tiene miles de par\u00e1metros.<\/li>\n<li><strong>La inversi\u00f3n bayesiana le brinda distribuciones, no solo estimaciones puntuales.<\/strong> La distribuci\u00f3n posterior $mu^y$ caracteriza la incertidumbre del par\u00e1metro completo condicional sobre los datos, y las formulaciones de espacio de funci\u00f3n garantizan los resultados de discretizaci\u00f3n invariantes.<\/li>\n<\/ul>\n<h2>\u00bfQu\u00e9 es un problema inverso?<\/h2>\n<p>Cada problema inverso combina un modelo directo con un conjunto de datos y hace una pregunta de reconstrucci\u00f3n. El modelo directo es un objeto matem\u00e1tico que asigna par\u00e1metros a observables. En los contextos de PDE, este suele ser un operador de soluci\u00f3n: dado un conjunto de propiedades de materiales, condiciones de contorno o t\u00e9rminos de origen, resuelve las ecuaciones de gobierno y extraiga las cantidades que le interesan.<\/p>\n<p>Para una PDE lineal, el problema de reenv\u00edo parece<\/p>\n<p>$$AU = F, QUAD Y = mathcal{c}(u),$$<\/p>\n<p>Donde $A$ es un operador diferencial que codifica la f\u00edsica (difusi\u00f3n, advecci\u00f3n, elasticidad), $u$ es la variable de estado, $f$ contiene t\u00e9rminos de origen y condiciones de contorno, y $mathcal{c}$ es un operador de observaci\u00f3n que extrae mediciones en lugares u momentos espec\u00edficos.<\/p>\n<p>El problema inverso invierte esta relaci\u00f3n. Se le dan datos ruidosos $y^delta$ y desea encontrar los par\u00e1metros $theta$ que lo produjo:<\/p>\n<p>$y^delta = mathcal{g}(theta^dagger) + eta, qquad eta sim mathcal{n}(0, gamma),$$<\/p>\n<p>Donde $mathcal{g}$ es el operador de observaci\u00f3n que aplica el modelo de avance, entonces el mapa de observaci\u00f3n, $theta^dagger$ es el par\u00e1metro verdadero y $eta$ representa el ruido de medici\u00f3n.<\/p>\n<p>El tema fundamental es <strong>bien pose\u00eddo<\/strong>. Hadamar&#8217;d bien planteada requiere tres propiedades: existencia de una soluci\u00f3n, singularidad y dependencia continua de los datos. Los problemas inversos a menudo violan la tercera propiedad. Si perturba sus medidas en una peque\u00f1a cantidad $delta$, el cambio correspondiente en sus par\u00e1metros estimados podr\u00eda explotar. Este es el sello distintivo de un problema mal planteado.<\/p>\n<p><strong>Consejo profesional:<\/strong> Piense en la mala posesi\u00f3n como la expresi\u00f3n matem\u00e1tica de la \u00abp\u00e9rdida de informaci\u00f3n\u00bb. Cuando observa una distribuci\u00f3n de temperatura, ha perdido informaci\u00f3n sobre el estado inicial, las condiciones de los l\u00edmites o las propiedades del material. Reconstruir esas cantidades ocultas es matem\u00e1ticamente equivalente al tiempo de ejecuci\u00f3n al rev\u00e9s, lo que amplifica cualquier ruido presente.<\/p>\n<h3>Por qu\u00e9 los problemas inversos de PDE son dif\u00edciles<\/h3>\n<p>Cuando su modelo de avance es un PDE, la situaci\u00f3n es m\u00e1s restringida que en problemas simples inversos como la deconvoluci\u00f3n. El operador de avance $mathcal{g}$ suele ser un operador compacto en espacios de funci\u00f3n de dimensi\u00f3n infinita, lo que significa que tiene valores propios que decaen a cero. Esta decadencia es exactamente lo que hace que el problema sea mal planteado: peque\u00f1os valores singulares significan que el ruido en esas direcciones se amplifica sin l\u00edmite.<\/p>\n<p>Esto distingue los problemas inversos impulsados por PDE de la estimaci\u00f3n estad\u00edstica est\u00e1ndar. Sus par\u00e1metros viven en el espacio de funciones (campos que var\u00edan espacialmente), no en $mathbb{r}^n$, y su informaci\u00f3n previa sobre ellos debe reflejar esa estructura. El campo de <strong>inversi\u00f3n bayesiana en el espacio de funciones<\/strong>, iniciado por Franka (1970), Mandelbaum (1984) y formalizado por Lassas y Siltanen (2004), proporciona el marco riguroso para manejar esto.<\/p>\n<p>La idea clave de la inversi\u00f3n bayesiana del espacio funcional es que debe formular sus medidas anteriores y posteriores en espacios de dimensi\u00f3n infinita y luego discretizarlas de manera consistente. Si primero discretiza y luego hace Bayes, su posterior puede depender de la malla, una se\u00f1al de que no ha respetado la naturaleza continua del problema.<\/p>\n<p>V\u00e9ase tambi\u00e9n <a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\">verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas<\/a> para conocer el contexto sobre c\u00f3mo la estimaci\u00f3n de par\u00e1metros se relaciona con la tuber\u00eda V&amp;v m\u00e1s amplia y <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Cuantificaci\u00f3n de incertidumbre y an\u00e1lisis de sensibilidad en cient\u00edfico Simulaci\u00f3n<\/a> para el tema complementario de propagaci\u00f3n de la incertidumbre de los par\u00e1metros a trav\u00e9s de modelos avanzados.<\/p>\n<h2>Tres estrategias de discretizaci\u00f3n<\/h2>\n<p>Cuando implementas un problema inverso num\u00e9ricamente, el orden en el que discretizas importa fundamentalmente. Hay tres estrategias establecidas, cada una con diferentes compensaciones entre la limpieza te\u00f3rica y la complejidad pr\u00e1ctica.<\/p>\n<table>\n<thead>\n<tr>\n<th>Estrategia<\/th>\n<th>Nombre<\/th>\n<th>\u00bfQue hace?<\/th>\n<th>ventajas y ganas<\/th>\n<th>Contras<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>DTI<\/strong><\/td>\n<td>discretizar y luego informar<\/td>\n<td>Primero discretice el modelo de avance, luego elija la discretizaci\u00f3n para minimizar el problema inverso<\/td>\n<td>f\u00e1cil de implementar; Utiliza solucionadores de avance est\u00e1ndar<\/td>\n<td>La soluci\u00f3n puede depender de la malla; no discretizaci\u00f3n-invariante<\/td>\n<\/tr>\n<tr>\n<td><strong>CTI<\/strong><\/td>\n<td>continuo luego informar<\/td>\n<td>Formule el problema inverso completo (incluida la regularizaci\u00f3n) en el espacio de funci\u00f3n continuo, luego discretice<\/td>\n<td>discretizaci\u00f3n invariante; Te\u00f3ricamente limpio<\/td>\n<td>Requiere una elecci\u00f3n cuidadosa de espacios discretos que respeten la formulaci\u00f3n continua<\/td>\n<\/tr>\n<tr>\n<td><strong>ITD<\/strong><\/td>\n<td>informar y luego discretizar<\/td>\n<td>Reformular el problema continuo para mejorar la buena posesi\u00f3n antes de la discretizaci\u00f3n<\/td>\n<td>m\u00e1s flexible; Puede usar diferentes discretizaciones<\/td>\n<td>m\u00e1s complejo de derivar; Requiere una comprensi\u00f3n matem\u00e1tica profunda<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>dti (discretize-then-inform)<\/strong> es el m\u00e1s com\u00fan en la pr\u00e1ctica. Toma su solucionador de PDE est\u00e1ndar, discretiza el modelo de avance en una malla y luego resuelve el problema inverso discreto resultante con los m\u00e9todos de regularizaci\u00f3n est\u00e1ndar. Esto es sencillo pero tiene un costo oculto: su soluci\u00f3n depender\u00e1 de la resoluci\u00f3n de la malla. Si refina la malla, su soluci\u00f3n regularizada puede cambiar significativamente. Esto es te\u00f3ricamente insatisfactorio y pr\u00e1cticamente arriesgado.<\/p>\n<p><strong>CTI (continuo-entonces-informado)<\/strong> Invierte el orden. Formula todo el problema inverso, incluidas las distribuciones anteriores, la probabilidad y la regularizaci\u00f3n, en el entorno de dimensi\u00f3n infinita. Luego discretizas constantemente. Por ejemplo, puede colocar un proceso gaussiano antes en el espacio de par\u00e1metros de dimensi\u00f3n infinita, especificar una probabilidad en el espacio de observaci\u00f3n y derivar el espacio posterior en la funci\u00f3n. Solo entonces discretizas para el c\u00e1lculo. La ventaja es que su posterior no depende de una malla arbitraria: refleja el problema continuo.<\/p>\n<p>El trabajo seminal de Lassas, Saksman y Siltanen (2009) sobre la inversi\u00f3n bayesiana invariante de discretizaci\u00f3n estableci\u00f3 que los enfoques CTI producen medidas posteriores que convergen a un l\u00edmite independiente de la malla. Su marco utiliza Besov Space Priors que codifican conocimientos previos sobre la regularidad, y muestra que mientras sus espacios discretos se aproximen a los continuos, sus estimaciones posteriores convergen.<\/p>\n<p><strong>ITD (Inform-then-Discretize)<\/strong> es el m\u00e1s sofisticado pero tambi\u00e9n el m\u00e1s flexible. Aqu\u00ed se reformula el problema en s\u00ed, tal vez cambiando el operador de avance, modificando las condiciones de los l\u00edmites o agregando restricciones auxiliares, para mejorar su buena posici\u00f3n antes de discretizar. Por ejemplo, puede reemplazar un PDE de segundo orden con un sistema de primer orden (formulario Redheffer-Wign ER), que es m\u00e1s adecuado para ciertos algoritmos de inversi\u00f3n. Esta estrategia se ense\u00f1a menos com\u00fanmente en los libros de texto, pero aparece con frecuencia en la computaci\u00f3n cient\u00edfica moderna.<\/p>\n<p><strong>\u26a0\ufe0f Error com\u00fan:<\/strong> Usar DTI y suponiendo que su soluci\u00f3n converge a medida que refina la malla. Para los problemas mal planteados, refinar la malla sin tensar la regularizaci\u00f3n eventualmente divergir\u00e1: su soluci\u00f3n oscilar\u00e1 m\u00e1s y m\u00e1s en torno a los datos. Debe demostrar que su secuencia regularizada converge como $delta to 0$ y el par\u00e1metro de regularizaci\u00f3n $alpha to 0$ simult\u00e1neamente.<\/p>\n<h2>Regularizaci\u00f3n: domesticar problemas mal planteados<\/h2>\n<p>El enfoque m\u00e1s com\u00fan para hacer que un problema mal planteado sea solucionable es <strong>regularizaci\u00f3n de Tikhonov<\/strong>. En lugar de resolver $AU = F$ directamente, resuelve un problema modificado que penaliza las soluciones \u00abcomplejas\u00bb:<\/p>\n<p>$$min_{u} |au &#8211; f|_{gamma}^2 + alfa |lu|^2, $$<\/p>\n<p>donde $l$ es un operador de regularizaci\u00f3n (a menudo una aproximaci\u00f3n discreta del gradiente o laplaciano), $alpha$ es el par\u00e1metro de regularizaci\u00f3n, y $gamma$ es la covarianza de ruido. El primer t\u00e9rmino es el <strong>datos inadaptados<\/strong> (qu\u00e9 tan bien su modelo explica las observaciones). El segundo t\u00e9rmino es la penalizaci\u00f3n de <strong>regularizaci\u00f3n<\/strong> (c\u00f3mo \u00absuave\u00bb o \u00absimple\u00bb es su soluci\u00f3n).<\/p>\n<p>El par\u00e1metro de regularizaci\u00f3n $alpha$ es la perilla cr\u00edtica. Demasiado grande y demasiado suave: su soluci\u00f3n es cercana al anterior pero ignora los datos. Demasiado peque\u00f1o y usted subregulariza: ajusta el ruido y obtiene soluciones inestables. Encontrar el valor correcto es en s\u00ed mismo un problema inverso.<\/p>\n<h3>la curva en L<\/h3>\n<p>La curva L es la heur\u00edstica m\u00e1s utilizada para elegir $alfa$. Trace el registro del inadaptado de datos $|AU &#8211; F|$ contra el registro de la norma de soluci\u00f3n regularizada $|LU|$ como $alpha$ var\u00eda. La curva resultante suele tener una forma de \u00abL\u00bb: un segmento vertical donde domina la regularizaci\u00f3n, un segmento horizontal donde domina el desajuste de datos y una regi\u00f3n de esquina donde se equilibran los dos.<\/p>\n<p><strong>Consejo profesional:<\/strong> La esquina de la curva L suele ser donde $alpha$ debe sentarse, pero no siempre. Para problemas con el ruido correlacionado (por ejemplo, errores de medici\u00f3n espacialmente suaves), es posible que desee desplazarse ligeramente hacia el segmento horizontal; dejar que la soluci\u00f3n sea un poco m\u00e1s \u00e1spera a menudo es mejor que sobrealimentarse.<\/p>\n<p>La curva en L es f\u00e1cil de calcular para problemas de peque\u00f1a escala, pero se vuelve costoso para problemas inversos de PDE a gran escala. Cada punto de la curva requiere resolver el problema de avance con un par\u00e1metro de regularizaci\u00f3n diferente. Con cientos de par\u00e1metros, eso no es pr\u00e1ctico.<\/p>\n<h3>El principio de discrepancia<\/h3>\n<p>Un enfoque m\u00e1s te\u00f3ricamente fundamentado es el <strong>principio de discrepancia<\/strong> (Moroz, 1968). Si conoce o puede estimar el nivel de ruido $delta = |eta|$, el principio de discrepancia selecciona $alpha$ tal que:<\/p>\n<p>$$|au^alfa &#8211; f| = eta delta, quad eta &gt; 1.$$<\/p>\n<p>el factor de seguridad $eta &gt; 1$ Evita el sobreajuste: detiene el ajuste tan pronto como el residuo alcanza el nivel de ruido estimado. Cualquier cosa m\u00e1s all\u00e1 de eso es el ruido apropiado, no la se\u00f1al. El principio es f\u00e1cil de implementar: se resuelve $alpha$ por bisecci\u00f3n o m\u00e9todo de Newton, y tiene propiedades de convergencia demostrables.<\/p>\n<p>Consulte <a href=\"https:\/\/matforge.org\/time-integration-methods-for-pde-solvers-explicit-vs-implicit-schemes\/\">m\u00e9todos de integraci\u00f3n de tiempo para solucionadores de PDE<\/a> para conocer el contexto sobre c\u00f3mo se relaciona la estabilidad num\u00e9rica a las opciones de regularizaci\u00f3n, y <a href=\"https:\/\/matforge.org\/stiff-problems-and-stiff-solvers\/\">problemas r\u00edgidos y solucionadores r\u00edgidos<\/a> cuando su sistema regularizado exhibe rigidez.<\/p>\n<h2>El m\u00e9todo adjunto: calcular gradientes de manera eficiente<\/h2>\n<p>Suponga que su modelo de avance asigna 1000 par\u00e1metros de material $theta_1, ldots, theta_{1000}$ a los observables. Desea minimizar una funci\u00f3n de desajuste, tal vez la suma de las diferencias al cuadrado entre los datos observados y los predichos, y necesita gradientes $parcial f \/ parcial theta_i$ por cada $i$.<\/p>\n<p>Un enfoque ingenuo utiliza diferencias finitas: perturbar $theta_i$ por $epsilon$, resolver el problema de reenv\u00edo nuevamente y estimar el gradiente. Eso es 1.000 de resoluci\u00f3n directa por evaluaci\u00f3n de gradiente. Para un solucionador de PDE que toma minutos por soluci\u00f3n, son horas solo para un paso de gradiente.<\/p>\n<p>El <strong>m\u00e9todo adjunto<\/strong> resuelve esto en dos barridos independientemente del n\u00famero de par\u00e1metros. Explota el hecho de que el gradiente de una funci\u00f3n de p\u00e9rdida escalar con respecto a los par\u00e1metros se puede calcular resolviendo una PDE adicional: la ecuaci\u00f3n adjunta.<\/p>\n<p>El m\u00e9todo adjunto se remonta al trabajo de Pironneau (1974) y Kontoleadis et al. (2013) y se formaliz\u00f3 para la optimizaci\u00f3n restringida por PDE por Gunther et al. (2013) en el contexto de Dolffin-adjoint. La idea b\u00e1sica:<\/p>\n<ol>\n<li>Resuelva el problema de reenv\u00edo $a(theta)u = f$ para obtener el estado $u$.<\/li>\n<li>Resuelva la ecuaci\u00f3n adjunta $a(theta)^* p = frac{parcial r}{parcial u}$ para obtener el estado adjunto $p$, donde $r$ es su funci\u00f3n de costo y $a^*$ es el operador adjunto.<\/li>\n<li>Calcule el gradiente $nabla_theta f = frac{parcial f}{parcial theta} + text{t\u00e9rminos que involucran } p text{ y } u$.<\/li>\n<\/ol>\n<p>La ecuaci\u00f3n adjunta es esencialmente la ejecuci\u00f3n del modelo directo hacia atr\u00e1s en el tiempo (si el PDE depende del tiempo) con el gradiente de la funci\u00f3n de costo como t\u00e9rmino fuente. Para una PDE parab\u00f3lica, se resuelve desde el \u00faltimo tiempo hasta el momento inicial, recogiendo contribuciones en el camino.<\/p>\n<p>El costo computacional del m\u00e9todo adjunto es esencialmente una soluci\u00f3n directa adicional, no uno por par\u00e1metro. Esto lo hace pr\u00e1ctico para miles de par\u00e1metros, donde las diferencias finitas ser\u00edan imposibles.<\/p>\n<p>Givoli (2021) proporciona un excelente tutorial pedag\u00f3gico sobre el m\u00e9todo adjunto para problemas de elementos finitos, que muestra c\u00f3mo se deriva el adjunto discreto de la formulaci\u00f3n de elementos finitos y c\u00f3mo se relaciona con el adjunto continuo. La idea clave es que el adjunto discreto de un modelo directo discretizado no es necesariamente la discretizaci\u00f3n del adjunto continuo; aqu\u00ed es donde las estrategias de discretizaci\u00f3n de la Secci\u00f3n 2 vuelven a ser relevantes nuevamente.<\/p>\n<p><strong>Consejo Pro:<\/strong> Si est\u00e1 utilizando Fenics para su modelo de avance, Dolfin-Adjoint es la opci\u00f3n can\u00f3nica para la derivaci\u00f3n adjunta autom\u00e1tica. Construye autom\u00e1ticamente el adjunto discreto de su c\u00f3digo de avance al diferenciar el sistema ensamblado. La configuraci\u00f3n es simple: envuelva su soluci\u00f3n directa con <code>DOLFIN_Adjoint()<\/code>, especifique su funci\u00f3n de costo y llame a <code>compute_gradient()<\/code>, y maneja la derivaci\u00f3n adjunta autom\u00e1ticamente.<\/p>\n<p>Para una introducci\u00f3n pr\u00e1ctica, el tutorial adjunto de Stanford Ambad (Bradi\u0107 et al.) recorre la derivaci\u00f3n de ecuaciones adjuntas para los problemas de Navier-Stokes y Advection-difusi\u00f3n, con formulaciones claras de elementos finitos. Es una excelente referencia pr\u00e1ctica.<\/p>\n<h2>Inversi\u00f3n bayesiana: estimaci\u00f3n de par\u00e1metros conscientes de la incertidumbre<\/h2>\n<p>Las estimaciones puntuales, ya sea por la regularizaci\u00f3n de Tikhonov o la optimizaci\u00f3n adjunta, le brindan un \u00fanico \u00abmejor\u00bb conjunto de par\u00e1metros. Pero no te dicen cu\u00e1n confiado deber\u00edas estar. En muchas aplicaciones, necesita la distribuci\u00f3n completa de la incertidumbre: \u00bfcu\u00e1l es el intervalo cre\u00edble del 95% en la permeabilidad? \u00bfQu\u00e9 tan probable es que el verdadero par\u00e1metro est\u00e9 fuera del rango estimado?<\/p>\n<p>La inversi\u00f3n bayesiana proporciona esto al tratar los par\u00e1metros como variables aleatorias. Usted especifica una distribuci\u00f3n anterior $mu_0$ que codifica su conocimiento previo sobre los par\u00e1metros, luego calcule la distribuci\u00f3n posterior $mu^y$ usando la regla de Bayes:<\/p>\n<p>$$mu^y(theta) propto expleft(-frac{1}{2} | y &#8211; mathcal{g}(theta) |_{gamma}^2right) mu_0(theta). $$<\/p>\n<p>El t\u00e9rmino exponencial es la probabilidad (la probabilidad de que se den los datos a los par\u00e1metros), y $mu_0$ es el anterior. El posterior combina ambos: equilibra los datos con el conocimiento previo.<\/p>\n<h3>El reto: MCMC<\/h3>\n<p>La computaci\u00f3n del posterior solo es tratable en casos simples de gaussio lineal. Para las PDES no lineales, necesita m\u00e9todos de Markov Chain Monte Carlo (MCMC) para muestrear de $mu^y$. El problema es que cada propuesta de MCMC requiere resolver el modelo de avance. Con 10.000 propuestas y una soluci\u00f3n PDE que tarda 5 minutos, est\u00e1s buscando d\u00edas o semanas de c\u00e1lculo.<\/p>\n<p>Es por eso que los modelos sustitutos son esenciales en los problemas inversos bayesianos. En lugar de resolver el PDE en cada paso de MCMC, crea una aproximaci\u00f3n r\u00e1pida del mapa de avance. Los sustitutos comunes incluyen:<\/p>\n<ul>\n<li><strong>Regresi\u00f3n del proceso gaussiano (GP)<\/strong>: proporciona predicciones y estimaciones de incertidumbre. Efectivo para espacios de par\u00e1metros de baja dimensi\u00f3n pero computacionalmente costoso para par\u00e1metros de alta dimensi\u00f3n ($mathcal{o}(n^3)$ para $n$ puntos de entrenamiento).<\/li>\n<li><strong>Surrogate de redes neuronales<\/strong>: evaluaci\u00f3n m\u00e1s r\u00e1pida pero m\u00e1s dif\u00edcil de cuantificar la incertidumbre. El marco Deepgala (Jimenez-Beltran et al., 2024) aborda esto combinando el m\u00e9todo de Deep Galerkin con la aproximaci\u00f3n de Laplace, proporcionando estimaciones de incertidumbre calibradas en la \u00faltima capa de la red.<\/li>\n<\/ul>\n<h3>Inversi\u00f3n de discretizaci\u00f3n invariante<\/h3>\n<p>Una idea cr\u00edtica de la inversi\u00f3n bayesiana del espacio funcional (Lassas et al., 2009) es que su posterior no debe depender de la malla. En el enfoque DTI, puede colocar un prior en un vector de par\u00e1metros discretizado, luego refinar la malla y descubrir que su posterior ha cambiado. Esto se debe a que lo anterior depende de la discretizaci\u00f3n.<\/p>\n<p>El enfoque CTI evita esto al colocar prior en espacios de funci\u00f3n de dimensi\u00f3n infinita (t\u00edpicamente procesos gaussianos o espacios de Besov), especificando la probabilidad en el espacio de observaci\u00f3n y discretizando la medida posterior de manera consistente. A medida que se refina la malla, el posterior discreto converge a un l\u00edmite independiente de la malla.<\/p>\n<p>Para un tutorial pr\u00e1ctico de los problemas inversos bayesianos en el espacio funcional, el cuaderno de Dan Mackinlay proporciona una introducci\u00f3n accesible que une la teor\u00eda y la implementaci\u00f3n, mostrando c\u00f3mo interact\u00faan la discretizaci\u00f3n de medici\u00f3n y la discretizaci\u00f3n computacional en el marco bayesiano.<\/p>\n<h2>Implementaci\u00f3n de Python: trips-py y dolffin-adjoint<\/h2>\n<p>Dos paquetes de Python hacen accesibles los problemas pr\u00e1cticos inversos. <strong>Trips-Py<\/strong> (Pasha et al., 2024) se centra en problemas inversos lineales discretos, mientras que <strong>dolfin-adjoint<\/strong> maneja la optimizaci\u00f3n restringida por PDE con derivaci\u00f3n adjunta autom\u00e1tica.<\/p>\n<h3>Trips-PY: Regularizaci\u00f3n para problemas lineales inversos<\/h3>\n<p>Trips-PY est\u00e1 dise\u00f1ado para problemas lineales inversos de la forma $AX = B$. Proporciona:<\/p>\n<ul>\n<li>M\u00e9todos directos: TSVD, Tikhonov, GSVD truncado<\/li>\n<li>M\u00e9todos iterativos: GMRES, LSQR, CGLS, variantes h\u00edbridas<\/li>\n<li>Selecci\u00f3n de par\u00e1metros de regularizaci\u00f3n: curva en L, principio de discrepancia, GCV<\/li>\n<li>Problemas de prueba: 1D\/2D desbluraci\u00f3n, tomograf\u00eda<\/li>\n<\/ul>\n<pre><code class=\"language-python\">from trips_py import Deblurring1D, TSVD, Tikhonov, GCV\n\n# Setup\ndeblurr = Deblurring1D()\nnx = 200\nx_true = deblurr.gen_xtrue(nx, test='curve2')\nA = deblurr.forward_Op_1D(parameter=30, nx=nx)\nb = deblurr.gen_data(x_true)\nb_noisy, delta = deblurr.add_noise(b, 'Gaussian', noise_level=0.01)\n\n# Solve with Tikhonov regularization\nsolver = Tikhonov()\nx_reg = solver.solve(A, b_noisy, regularization_parameter=0.01)\n\n# Or use GCV to find the regularization parameter automatically\nsolver = Tikhonov(regularization='auto')\nsolver.set_reg_param_method('GCV')\nx_reg = solver.solve(A, b_noisy)\n<\/code><\/pre>\n<p>Vale la pena entender la opci\u00f3n <code>CommitCrime<\/code> en TRIPS-PY. De forma predeterminada, Trips-PY evita el delito inverso al usar operadores directos que no coinciden para la generaci\u00f3n de datos y la soluci\u00f3n. Esta es una protecci\u00f3n pr\u00e1ctica: si su operador de reenv\u00edo para resolver exactamente coincide con el utilizado para generar los datos, su regularizaci\u00f3n puede parecer m\u00e1s efectiva de lo que realmente es. Establezca <code>CommitCrime=True<\/code> solo si desea espec\u00edficamente estudiar el fen\u00f3meno del crimen inverso.<\/p>\n<h3>Dolfin-adjoint: adjunto autom\u00e1tico para sistemas PDE<\/h3>\n<p>Dolfin-Adjoint se integra con Fenics para proporcionar una derivaci\u00f3n adjunta autom\u00e1tica para la optimizaci\u00f3n restringida por PDE:<\/p>\n<pre><code class=\"language-python\">from fenics import *\nfrom dolfin_adjoint import *\n\n# Define forward model\nmesh = RectangleMesh(50, 50, 1.0, 1.0)\nV = FunctionSpace(mesh, \"Lagrange\", 1)\nu = TrialFunction(V)\nv = TestFunction(V)\nalpha = Function(V)  # Unknown parameter field\n\n# Forward PDE: -\u2207\u00b7(\u03b1\u2207u) = f\nf = Constant(1.0)\nsolve(Inner(grad(u), grad(v))*dx == f*v*dx, alpha, \n      adjoint=adj_solve(Inner(grad(u), grad(v))*dx == f*v*dx))\n\n# Cost function\nJ = 0.5 * sum(v*v for v in V.sub(0).split())\n\n# Compute gradient via adjoint method\ncompute_gradient(J, alpha)\n<\/code><\/pre>\n<p>La funci\u00f3n <code>adj_solve<\/code> diferencia autom\u00e1ticamente la soluci\u00f3n directa, generando la ecuaci\u00f3n adjunta internamente. No necesita derivar o implementar el adjunto manualmente: Dolffin-adjoint lo maneja. Esto es particularmente valioso cuando su PDE tiene condiciones de contorno complejas o operadores no lineales.<\/p>\n<p>Para los problemas en los que se necesita cuantificar la incertidumbre junto con la estimaci\u00f3n de par\u00e1metros, la combinaci\u00f3n de Dolffin-adjoint (para el c\u00e1lculo de gradiente eficiente) con los muestreadores bayesianos (como EMCEE o PYMC) proporciona un marco potente. La informaci\u00f3n de degradado de Dolfin-adjoint acelera los m\u00e9todos MCMC basados en gradiente como el muestreador sin giro (NUTS).<\/p>\n<h2>El \u00abcrimen inverso\u00bb: por qu\u00e9 sus datos sint\u00e9ticos pueden estar mintiendo a usted<\/h2>\n<p>El crimen inverso es una trampa notoria en la investigaci\u00f3n de problemas inversos. Ocurre cuando el operador directo utilizado para generar datos de prueba sint\u00e9ticos es id\u00e9ntico al que se utiliza para resolver el problema inverso. el resultado? Su regularizaci\u00f3n parece dram\u00e1ticamente m\u00e1s efectiva de lo que realmente es.<\/p>\n<p>He aqu\u00ed por qu\u00e9: los m\u00e9todos de regularizaci\u00f3n como Tikhonov penalizan impl\u00edcitamente a ciertas caracter\u00edsticas de la soluci\u00f3n. Si sus datos sint\u00e9ticos se generaron con un operador que se alinea con su regularizaci\u00f3n anterior, recuperar\u00e1 la verdad del terreno sin esfuerzo, no porque su m\u00e9todo sea bueno, sino porque se configura para tener \u00e9xito.<\/p>\n<p>La consecuencia es que los puntos de referencia publicados basados en datos de delitos inversos pueden ser enga\u00f1osos. Un m\u00e9todo que logra una precisi\u00f3n del 99% en los datos de delitos inversos podr\u00eda caer al 60% en los datos del mundo real donde el operador de avance no coincide realmente (debido a diferencias de discretizaci\u00f3n, simplificaciones de modelos o geometr\u00eda de medici\u00f3n).<\/p>\n<p><strong>\u26a0\ufe0f Error com\u00fan:<\/strong> Generar datos de prueba con el mismo modelo de avance que usas para la inversi\u00f3n, y luego afirmar que tu m\u00e9todo es \u00abrobusto\u00bb basado en la excelente recuperaci\u00f3n. Este es el crimen inverso: infla las m\u00e9tricas de rendimiento al explotar la alineaci\u00f3n estructural entre la generaci\u00f3n de datos y la inversi\u00f3n.<\/p>\n<p>TRIPS-PY aborda esto de forma predeterminada: su clase <code>Deblurring1D<\/code> utiliza diferentes condiciones de contorno para la generaci\u00f3n de datos frente a la soluci\u00f3n, evitando el crimen inverso. Para estudiar el crimen inverso espec\u00edficamente, debe establecer expl\u00edcitamente <code>CommitCrime=True<\/code>. Esta protecci\u00f3n predeterminada hace que Trips-Py sea de una utilidad \u00fanica para el benchmarking honesto.<\/p>\n<p>El fundamento matem\u00e1tico del crimen inverso fue aclarado por Kaipio y Sereno (2007), quienes demostraron que el crimen inverso puede cuantificarse como la alineaci\u00f3n entre los espacios nulos del operador delantero y el operador de regularizaci\u00f3n. Cuando estos espacios nulos se alinean, la regularizaci\u00f3n se vuelve artificialmente efectiva. Cuando no lo hacen, surge la verdadera dificultad del problema inverso.<\/p>\n<h2>Relacionado: Pinns y aprendizaje autom\u00e1tico para problemas inversos<\/h2>\n<p>El aprendizaje autom\u00e1tico ha entrado en el espacio de problemas inversos de dos maneras principales: <strong>Redes neuronales informadas por la f\u00edsica (PINNS)<\/strong> y <strong>Operador neuronal sustituto<\/strong>.<\/p>\n<p>Pinns (Raissi et al., 2019) incrustar la PDE directamente en la funci\u00f3n de p\u00e9rdida de la red neuronal. La red aprende a satisfacer tanto los datos como la f\u00edsica simult\u00e1neamente. Para problemas inversos, los pins pueden descubrir par\u00e1metros desconocidos minimizando el residuo de las ecuaciones de gobierno junto con el inadaptado de datos. La belleza es que no necesita conocer los par\u00e1metros para configurar la red: se tratan como constantes entrenables.<\/p>\n<p>Sin embargo, los pinns enfrentan desaf\u00edos:<\/p>\n<ul>\n<li><strong>Sesgo espectral:<\/strong> Las redes neuronales aprenden primero los componentes de baja frecuencia, lo que puede hacer que se pierdan las variaciones de par\u00e1metros de escala fina.<\/li>\n<li><strong>Equilibrio de p\u00e9rdidas:<\/strong> Diferentes t\u00e9rminos en la p\u00e9rdida (residuo de PDE, condiciones de contorno, inadaptado de datos) tienen diferentes escalas. Obtener el equilibrio adecuado requiere ajuste o ponderaci\u00f3n adaptativa.<\/li>\n<li><strong>Garant\u00edas de convergencia:<\/strong> A diferencia de la regularizaci\u00f3n de Tikhonov, no hay resultados de convergencia probados para los pins en el l\u00edmite de ruido a se\u00f1al.<\/li>\n<\/ul>\n<p>Los sustitutos de operadores neuronales (como Deepgala) son otro enfoque emergente. En lugar de aprender el mapa de soluciones directamente, aprenden una aproximaci\u00f3n r\u00e1pida del modelo directo que se puede evaluar millones de veces durante el muestreo de MCMC. DeepGala (Jimenez-Beltran et al., 2024) proporciona un marco concreto: entrenar una red neural sustituta con el m\u00e9todo Galerkin, luego usar la aproximaci\u00f3n de Laplace para cuantificar la incertidumbre en la \u00faltima capa. El sustituto aleatorio resultante permite problemas inversos bayesianos escalables sin sacrificar la confiabilidad.<\/p>\n<p>Para un contexto m\u00e1s profundo sobre los pines, consulte <a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\">Physics-Informed Neural Networks (PINNS) para Simulaciones cient\u00edficas<\/a>.<\/p>\n<h2>Resumen + Pr\u00f3ximos pasos<\/h2>\n<p>Los problemas inversos para los modelos PDE se encuentran en la intersecci\u00f3n de tres disciplinas: an\u00e1lisis num\u00e9rico (c\u00f3mo resolverlos de manera eficiente), matem\u00e1ticas aplicadas (c\u00f3mo garantizar la convergencia) y estad\u00edsticas (c\u00f3mo cuantificar la incertidumbre). El desaf\u00edo pr\u00e1ctico es elegir la combinaci\u00f3n correcta de m\u00e9todos para su problema espec\u00edfico.<\/p>\n<p>Aqu\u00ed hay un flujo de trabajo pr\u00e1ctico:<\/p>\n<ol>\n<li><strong>Comienza con un modelo de avance.<\/strong> Implementa o valida tu solucionador de PDE. Si no ha hecho esto, consulte <a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\">Verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas<\/a>.<\/li>\n<li><strong>Formula el problema inverso.<\/strong> Especifica qu\u00e9 par\u00e1metros est\u00e1s recuperando, qu\u00e9 datos tienes y qu\u00e9 nivel de ruido esperar.<\/li>\n<li><strong>Elija una estrategia de discretizaci\u00f3n.<\/strong> DTI es m\u00e1s simple; CTI da la independencia de la malla. Si necesita ambos, ITD ofrece la mayor flexibilidad.<\/li>\n<li><strong>Elige un m\u00e9todo de regularizaci\u00f3n.<\/strong> Tikhonov con L-curve o principio de discrepancia es el punto de partida est\u00e1ndar. Trips-PY proporciona implementaciones.<\/li>\n<li><strong>Compute los gradientes de manera eficiente.<\/strong> Si tiene muchos par\u00e1metros, utilice el m\u00e9todo adjunto. Dolfin-adjoint maneja la derivaci\u00f3n autom\u00e1ticamente.<\/li>\n<li><strong>Cuantificar la incertidumbre.<\/strong> Para los par\u00e1metros de alta dimensi\u00f3n, considere sustitutos neuronales como Deepgala. Para dimensiones inferiores, MCMC con un sustituto de GP es efectivo.<\/li>\n<li><strong>Evite el crimen inverso.<\/strong> Siempre verifique que su operador forward para la generaci\u00f3n de datos sea diferente de su operador de inversi\u00f3n, o estudie expl\u00edcitamente el crimen.<\/li>\n<\/ol>\n<p>El campo est\u00e1 evolucionando r\u00e1pidamente. Los enfoques de aprendizaje profundo complementan los m\u00e9todos tradicionales de regularizaci\u00f3n, y las herramientas de diferenciaci\u00f3n autom\u00e1tica como Dolfin-adjoint est\u00e1n haciendo accesible la inversi\u00f3n basada en adjuntas para los profesionales que no quieren derivar ecuaciones adjuntas manualmente. La clave es basar su elecci\u00f3n en las propiedades matem\u00e1ticas de su problema espec\u00edfico: saber cu\u00e1ndo un problema est\u00e1 mal planteado, c\u00f3mo la regularizaci\u00f3n lo doma y qu\u00e9 cuantificaci\u00f3n de incertidumbre le dice acerca de sus par\u00e1metros.<\/p>\n<h2>Gu\u00edas relacionadas<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\">verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas<\/a> \u2014 entender c\u00f3mo encaja la estimaci\u00f3n de par\u00e1metros en El marco de validaci\u00f3n m\u00e1s amplio<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Cuantificaci\u00f3n de incertidumbre y an\u00e1lisis de sensibilidad en simulaci\u00f3n cient\u00edfica<\/a> \u2014 Propagaci\u00f3n de la incertidumbre de los par\u00e1metros a trav\u00e9s de modelos avanzados<\/li>\n<li><a href=\"https:\/\/matforge.org\/time-integration-methods-for-pde-solvers-explicit-vs-implicit-schemes\/\">m\u00e9todos de integraci\u00f3n de tiempo para solucionadores de PDE<\/a> \u2014 C\u00f3mo afecta el paso del tiempo num\u00e9rico Resolver precisi\u00f3n<\/li>\n<li><a href=\"https:\/\/matforge.org\/stiff-problems-and-stiff-solvers\/\">problemas r\u00edgidos y solucionadores r\u00edgidos<\/a> \u2014 Cuando la regularizaci\u00f3n introduce rigidez en su avance resuelve<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\">networks neurales informadas de f\u00edsica (PIN) para simulaciones cient\u00edficas<\/a> \u2014 enfoques ML que integren PDES directamente en el aprendizaje<\/li>\n<\/ul>\n","protected":false,"raw":"<p>Un problema inverso hace una pregunta simple pero fundamentalmente dif\u00edcil: dadas las mediciones o las salidas de simulaci\u00f3n, \u00bfcu\u00e1les son los par\u00e1metros ocultos que los produjeron? En el modelado a plazo, especifica las condiciones iniciales y de contorno, las propiedades del material y los t\u00e9rminos de origen, luego integra las ecuaciones de gobierno para predecir el comportamiento del sistema. En un problema inverso, cambias el proceso. Observa el resultado: un campo de temperatura, un perfil de presi\u00f3n, un desplazamiento, y trata de recuperar los insumos desconocidos que lo impulsaron.<\/p>\n<p>Esta es la estimaci\u00f3n de par\u00e1metros para los modelos PDE: la maquinaria matem\u00e1tica para convertir las mediciones en estimaciones de par\u00e1metros y las herramientas computacionales que las hacen pr\u00e1cticas. Aparece en todas partes, desde la geof\u00edsica (estimando la permeabilidad del subsuelo, desde las mediciones de pozos) hasta la ciencia de los materiales (recuperando los coeficientes de difusi\u00f3n de los campos de concentraci\u00f3n observados) hasta el aprendizaje autom\u00e1tico basado en la f\u00edsica (descubrir ecuaciones de gobierno a partir de datos).<\/p>\n<p>El desaf\u00edo es que los problemas inversos casi siempre est\u00e1n mal planteados. Peque\u00f1os errores en sus datos pueden producir estimaciones tremendamente err\u00f3neas. Sin una formulaci\u00f3n matem\u00e1tica cuidadosa y una regularizaci\u00f3n num\u00e9rica, sus par\u00e1metros de mejor ajuste pueden ser completamente enga\u00f1osos.<\/p>\n<h2>Comida clave<\/h2>\n<ul>\n<li><strong>Cada problema inverso comienza con un modelo de avance.<\/strong> El mapa de par\u00e1metro a soluci\u00f3n $y = mathcal{g}(theta)$ define c\u00f3mo los par\u00e1metros $theta$ producen observables $y$. Los problemas inversos recuperan $theta$ de las mediciones ruidosas.<\/li>\n<li><strong>La discretizaci\u00f3n importa m\u00e1s de lo que piensas.<\/strong> El orden en el que discretizas el modelo de avance, impones regularizaci\u00f3n y resuelves el problema inverso (DTI vs CTI vs ITD) determina si tus resultados dependen de tu malla o reflejan la realidad f\u00edsica.<\/li>\n<li><strong>Regularizaci\u00f3n doma la malposici\u00f3n.<\/strong> La regularizaci\u00f3n de Tikhonov, el an\u00e1lisis de la curva L y el principio de discrepancia le brindan formas pr\u00e1cticas de elegir par\u00e1metros de regularizaci\u00f3n sin sobreajustar.<\/li>\n<li><strong>El m\u00e9todo adjunto calcula los gradientes de manera eficiente.<\/strong> En lugar de calcular costosas aproximaciones de diferencia finita para cada par\u00e1metro, las ecuaciones adjuntas resuelven informaci\u00f3n de gradiente en un solo barrido hacia atr\u00e1s, cr\u00edtico cuando tiene miles de par\u00e1metros.<\/li>\n<li><strong>La inversi\u00f3n bayesiana le brinda distribuciones, no solo estimaciones puntuales.<\/strong> La distribuci\u00f3n posterior $mu^y$ caracteriza la incertidumbre del par\u00e1metro completo condicional sobre los datos, y las formulaciones de espacio de funci\u00f3n garantizan los resultados de discretizaci\u00f3n invariantes.<\/li>\n<\/ul>\n<h2>\u00bfQu\u00e9 es un problema inverso?<\/h2>\n<p>Cada problema inverso combina un modelo directo con un conjunto de datos y hace una pregunta de reconstrucci\u00f3n. El modelo directo es un objeto matem\u00e1tico que asigna par\u00e1metros a observables. En los contextos de PDE, este suele ser un operador de soluci\u00f3n: dado un conjunto de propiedades de materiales, condiciones de contorno o t\u00e9rminos de origen, resuelve las ecuaciones de gobierno y extraiga las cantidades que le interesan.<\/p>\n<p>Para una PDE lineal, el problema de reenv\u00edo parece<\/p>\n<p>$$AU = F, QUAD Y = mathcal{c}(u),$$<\/p>\n<p>Donde $A$ es un operador diferencial que codifica la f\u00edsica (difusi\u00f3n, advecci\u00f3n, elasticidad), $u$ es la variable de estado, $f$ contiene t\u00e9rminos de origen y condiciones de contorno, y $mathcal{c}$ es un operador de observaci\u00f3n que extrae mediciones en lugares u momentos espec\u00edficos.<\/p>\n<p>El problema inverso invierte esta relaci\u00f3n. Se le dan datos ruidosos $y^delta$ y desea encontrar los par\u00e1metros $theta$ que lo produjo:<\/p>\n<p>$y^delta = mathcal{g}(theta^dagger) + eta, qquad eta sim mathcal{n}(0, gamma),$$<\/p>\n<p>Donde $mathcal{g}$ es el operador de observaci\u00f3n que aplica el modelo de avance, entonces el mapa de observaci\u00f3n, $theta^dagger$ es el par\u00e1metro verdadero y $eta$ representa el ruido de medici\u00f3n.<\/p>\n<p>El tema fundamental es <strong>bien pose\u00eddo<\/strong>. Hadamar'd bien planteada requiere tres propiedades: existencia de una soluci\u00f3n, singularidad y dependencia continua de los datos. Los problemas inversos a menudo violan la tercera propiedad. Si perturba sus medidas en una peque\u00f1a cantidad $delta$, el cambio correspondiente en sus par\u00e1metros estimados podr\u00eda explotar. Este es el sello distintivo de un problema mal planteado.<\/p>\n<p><strong>Consejo profesional:<\/strong> Piense en la mala posesi\u00f3n como la expresi\u00f3n matem\u00e1tica de la \"p\u00e9rdida de informaci\u00f3n\". Cuando observa una distribuci\u00f3n de temperatura, ha perdido informaci\u00f3n sobre el estado inicial, las condiciones de los l\u00edmites o las propiedades del material. Reconstruir esas cantidades ocultas es matem\u00e1ticamente equivalente al tiempo de ejecuci\u00f3n al rev\u00e9s, lo que amplifica cualquier ruido presente.<\/p>\n<h3>Por qu\u00e9 los problemas inversos de PDE son dif\u00edciles<\/h3>\n<p>Cuando su modelo de avance es un PDE, la situaci\u00f3n es m\u00e1s restringida que en problemas simples inversos como la deconvoluci\u00f3n. El operador de avance $mathcal{g}$ suele ser un operador compacto en espacios de funci\u00f3n de dimensi\u00f3n infinita, lo que significa que tiene valores propios que decaen a cero. Esta decadencia es exactamente lo que hace que el problema sea mal planteado: peque\u00f1os valores singulares significan que el ruido en esas direcciones se amplifica sin l\u00edmite.<\/p>\n<p>Esto distingue los problemas inversos impulsados por PDE de la estimaci\u00f3n estad\u00edstica est\u00e1ndar. Sus par\u00e1metros viven en el espacio de funciones (campos que var\u00edan espacialmente), no en $mathbb{r}^n$, y su informaci\u00f3n previa sobre ellos debe reflejar esa estructura. El campo de <strong>inversi\u00f3n bayesiana en el espacio de funciones<\/strong>, iniciado por Franka (1970), Mandelbaum (1984) y formalizado por Lassas y Siltanen (2004), proporciona el marco riguroso para manejar esto.<\/p>\n<p>La idea clave de la inversi\u00f3n bayesiana del espacio funcional es que debe formular sus medidas anteriores y posteriores en espacios de dimensi\u00f3n infinita y luego discretizarlas de manera consistente. Si primero discretiza y luego hace Bayes, su posterior puede depender de la malla, una se\u00f1al de que no ha respetado la naturaleza continua del problema.<\/p>\n<p>V\u00e9ase tambi\u00e9n <a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\">verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas<\/a> para conocer el contexto sobre c\u00f3mo la estimaci\u00f3n de par\u00e1metros se relaciona con la tuber\u00eda V&amp;v m\u00e1s amplia y <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Cuantificaci\u00f3n de incertidumbre y an\u00e1lisis de sensibilidad en cient\u00edfico Simulaci\u00f3n<\/a> para el tema complementario de propagaci\u00f3n de la incertidumbre de los par\u00e1metros a trav\u00e9s de modelos avanzados.<\/p>\n<h2>Tres estrategias de discretizaci\u00f3n<\/h2>\n<p>Cuando implementas un problema inverso num\u00e9ricamente, el orden en el que discretizas importa fundamentalmente. Hay tres estrategias establecidas, cada una con diferentes compensaciones entre la limpieza te\u00f3rica y la complejidad pr\u00e1ctica.<\/p>\n<table>\n<thead>\n<tr>\n<th>Estrategia<\/th>\n<th>Nombre<\/th>\n<th>\u00bfQue hace?<\/th>\n<th>ventajas y ganas<\/th>\n<th>Contras<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>DTI<\/strong><\/td>\n<td>discretizar y luego informar<\/td>\n<td>Primero discretice el modelo de avance, luego elija la discretizaci\u00f3n para minimizar el problema inverso<\/td>\n<td>f\u00e1cil de implementar; Utiliza solucionadores de avance est\u00e1ndar<\/td>\n<td>La soluci\u00f3n puede depender de la malla; no discretizaci\u00f3n-invariante<\/td>\n<\/tr>\n<tr>\n<td><strong>CTI<\/strong><\/td>\n<td>continuo luego informar<\/td>\n<td>Formule el problema inverso completo (incluida la regularizaci\u00f3n) en el espacio de funci\u00f3n continuo, luego discretice<\/td>\n<td>discretizaci\u00f3n invariante; Te\u00f3ricamente limpio<\/td>\n<td>Requiere una elecci\u00f3n cuidadosa de espacios discretos que respeten la formulaci\u00f3n continua<\/td>\n<\/tr>\n<tr>\n<td><strong>ITD<\/strong><\/td>\n<td>informar y luego discretizar<\/td>\n<td>Reformular el problema continuo para mejorar la buena posesi\u00f3n antes de la discretizaci\u00f3n<\/td>\n<td>m\u00e1s flexible; Puede usar diferentes discretizaciones<\/td>\n<td>m\u00e1s complejo de derivar; Requiere una comprensi\u00f3n matem\u00e1tica profunda<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>dti (discretize-then-inform)<\/strong> es el m\u00e1s com\u00fan en la pr\u00e1ctica. Toma su solucionador de PDE est\u00e1ndar, discretiza el modelo de avance en una malla y luego resuelve el problema inverso discreto resultante con los m\u00e9todos de regularizaci\u00f3n est\u00e1ndar. Esto es sencillo pero tiene un costo oculto: su soluci\u00f3n depender\u00e1 de la resoluci\u00f3n de la malla. Si refina la malla, su soluci\u00f3n regularizada puede cambiar significativamente. Esto es te\u00f3ricamente insatisfactorio y pr\u00e1cticamente arriesgado.<\/p>\n<p><strong>CTI (continuo-entonces-informado)<\/strong> Invierte el orden. Formula todo el problema inverso, incluidas las distribuciones anteriores, la probabilidad y la regularizaci\u00f3n, en el entorno de dimensi\u00f3n infinita. Luego discretizas constantemente. Por ejemplo, puede colocar un proceso gaussiano antes en el espacio de par\u00e1metros de dimensi\u00f3n infinita, especificar una probabilidad en el espacio de observaci\u00f3n y derivar el espacio posterior en la funci\u00f3n. Solo entonces discretizas para el c\u00e1lculo. La ventaja es que su posterior no depende de una malla arbitraria: refleja el problema continuo.<\/p>\n<p>El trabajo seminal de Lassas, Saksman y Siltanen (2009) sobre la inversi\u00f3n bayesiana invariante de discretizaci\u00f3n estableci\u00f3 que los enfoques CTI producen medidas posteriores que convergen a un l\u00edmite independiente de la malla. Su marco utiliza Besov Space Priors que codifican conocimientos previos sobre la regularidad, y muestra que mientras sus espacios discretos se aproximen a los continuos, sus estimaciones posteriores convergen.<\/p>\n<p><strong>ITD (Inform-then-Discretize)<\/strong> es el m\u00e1s sofisticado pero tambi\u00e9n el m\u00e1s flexible. Aqu\u00ed se reformula el problema en s\u00ed, tal vez cambiando el operador de avance, modificando las condiciones de los l\u00edmites o agregando restricciones auxiliares, para mejorar su buena posici\u00f3n antes de discretizar. Por ejemplo, puede reemplazar un PDE de segundo orden con un sistema de primer orden (formulario Redheffer-Wign ER), que es m\u00e1s adecuado para ciertos algoritmos de inversi\u00f3n. Esta estrategia se ense\u00f1a menos com\u00fanmente en los libros de texto, pero aparece con frecuencia en la computaci\u00f3n cient\u00edfica moderna.<\/p>\n<p><strong>\u26a0\ufe0f Error com\u00fan:<\/strong> Usar DTI y suponiendo que su soluci\u00f3n converge a medida que refina la malla. Para los problemas mal planteados, refinar la malla sin tensar la regularizaci\u00f3n eventualmente divergir\u00e1: su soluci\u00f3n oscilar\u00e1 m\u00e1s y m\u00e1s en torno a los datos. Debe demostrar que su secuencia regularizada converge como $delta to 0$ y el par\u00e1metro de regularizaci\u00f3n $alpha to 0$ simult\u00e1neamente.<\/p>\n<h2>Regularizaci\u00f3n: domesticar problemas mal planteados<\/h2>\n<p>El enfoque m\u00e1s com\u00fan para hacer que un problema mal planteado sea solucionable es <strong>regularizaci\u00f3n de Tikhonov<\/strong>. En lugar de resolver $AU = F$ directamente, resuelve un problema modificado que penaliza las soluciones \"complejas\":<\/p>\n<p>$$min_{u} |au - f|_{gamma}^2 + alfa |lu|^2, $$<\/p>\n<p>donde $l$ es un operador de regularizaci\u00f3n (a menudo una aproximaci\u00f3n discreta del gradiente o laplaciano), $alpha$ es el par\u00e1metro de regularizaci\u00f3n, y $gamma$ es la covarianza de ruido. El primer t\u00e9rmino es el <strong>datos inadaptados<\/strong> (qu\u00e9 tan bien su modelo explica las observaciones). El segundo t\u00e9rmino es la penalizaci\u00f3n de <strong>regularizaci\u00f3n<\/strong> (c\u00f3mo \"suave\" o \"simple\" es su soluci\u00f3n).<\/p>\n<p>El par\u00e1metro de regularizaci\u00f3n $alpha$ es la perilla cr\u00edtica. Demasiado grande y demasiado suave: su soluci\u00f3n es cercana al anterior pero ignora los datos. Demasiado peque\u00f1o y usted subregulariza: ajusta el ruido y obtiene soluciones inestables. Encontrar el valor correcto es en s\u00ed mismo un problema inverso.<\/p>\n<h3>la curva en L<\/h3>\n<p>La curva L es la heur\u00edstica m\u00e1s utilizada para elegir $alfa$. Trace el registro del inadaptado de datos $|AU - F|$ contra el registro de la norma de soluci\u00f3n regularizada $|LU|$ como $alpha$ var\u00eda. La curva resultante suele tener una forma de \"L\": un segmento vertical donde domina la regularizaci\u00f3n, un segmento horizontal donde domina el desajuste de datos y una regi\u00f3n de esquina donde se equilibran los dos.<\/p>\n<p><strong>Consejo profesional:<\/strong> La esquina de la curva L suele ser donde $alpha$ debe sentarse, pero no siempre. Para problemas con el ruido correlacionado (por ejemplo, errores de medici\u00f3n espacialmente suaves), es posible que desee desplazarse ligeramente hacia el segmento horizontal; dejar que la soluci\u00f3n sea un poco m\u00e1s \u00e1spera a menudo es mejor que sobrealimentarse.<\/p>\n<p>La curva en L es f\u00e1cil de calcular para problemas de peque\u00f1a escala, pero se vuelve costoso para problemas inversos de PDE a gran escala. Cada punto de la curva requiere resolver el problema de avance con un par\u00e1metro de regularizaci\u00f3n diferente. Con cientos de par\u00e1metros, eso no es pr\u00e1ctico.<\/p>\n<h3>El principio de discrepancia<\/h3>\n<p>Un enfoque m\u00e1s te\u00f3ricamente fundamentado es el <strong>principio de discrepancia<\/strong> (Moroz, 1968). Si conoce o puede estimar el nivel de ruido $delta = |eta|$, el principio de discrepancia selecciona $alpha$ tal que:<\/p>\n<p>$$|au^alfa - f| = eta delta, quad eta &gt; 1.$$<\/p>\n<p>el factor de seguridad $eta &gt; 1$ Evita el sobreajuste: detiene el ajuste tan pronto como el residuo alcanza el nivel de ruido estimado. Cualquier cosa m\u00e1s all\u00e1 de eso es el ruido apropiado, no la se\u00f1al. El principio es f\u00e1cil de implementar: se resuelve $alpha$ por bisecci\u00f3n o m\u00e9todo de Newton, y tiene propiedades de convergencia demostrables.<\/p>\n<p>Consulte <a href=\"https:\/\/matforge.org\/time-integration-methods-for-pde-solvers-explicit-vs-implicit-schemes\/\">m\u00e9todos de integraci\u00f3n de tiempo para solucionadores de PDE<\/a> para conocer el contexto sobre c\u00f3mo se relaciona la estabilidad num\u00e9rica a las opciones de regularizaci\u00f3n, y <a href=\"https:\/\/matforge.org\/stiff-problems-and-stiff-solvers\/\">problemas r\u00edgidos y solucionadores r\u00edgidos<\/a> cuando su sistema regularizado exhibe rigidez.<\/p>\n<h2>El m\u00e9todo adjunto: calcular gradientes de manera eficiente<\/h2>\n<p>Suponga que su modelo de avance asigna 1000 par\u00e1metros de material $theta_1, ldots, theta_{1000}$ a los observables. Desea minimizar una funci\u00f3n de desajuste, tal vez la suma de las diferencias al cuadrado entre los datos observados y los predichos, y necesita gradientes $parcial f \/ parcial theta_i$ por cada $i$.<\/p>\n<p>Un enfoque ingenuo utiliza diferencias finitas: perturbar $theta_i$ por $epsilon$, resolver el problema de reenv\u00edo nuevamente y estimar el gradiente. Eso es 1.000 de resoluci\u00f3n directa por evaluaci\u00f3n de gradiente. Para un solucionador de PDE que toma minutos por soluci\u00f3n, son horas solo para un paso de gradiente.<\/p>\n<p>El <strong>m\u00e9todo adjunto<\/strong> resuelve esto en dos barridos independientemente del n\u00famero de par\u00e1metros. Explota el hecho de que el gradiente de una funci\u00f3n de p\u00e9rdida escalar con respecto a los par\u00e1metros se puede calcular resolviendo una PDE adicional: la ecuaci\u00f3n adjunta.<\/p>\n<p>El m\u00e9todo adjunto se remonta al trabajo de Pironneau (1974) y Kontoleadis et al. (2013) y se formaliz\u00f3 para la optimizaci\u00f3n restringida por PDE por Gunther et al. (2013) en el contexto de Dolffin-adjoint. La idea b\u00e1sica:<\/p>\n<ol>\n<li>Resuelva el problema de reenv\u00edo $a(theta)u = f$ para obtener el estado $u$.<\/li>\n<li>Resuelva la ecuaci\u00f3n adjunta $a(theta)^* p = frac{parcial r}{parcial u}$ para obtener el estado adjunto $p$, donde $r$ es su funci\u00f3n de costo y $a^*$ es el operador adjunto.<\/li>\n<li>Calcule el gradiente $nabla_theta f = frac{parcial f}{parcial theta} + text{t\u00e9rminos que involucran } p text{ y } u$.<\/li>\n<\/ol>\n<p>La ecuaci\u00f3n adjunta es esencialmente la ejecuci\u00f3n del modelo directo hacia atr\u00e1s en el tiempo (si el PDE depende del tiempo) con el gradiente de la funci\u00f3n de costo como t\u00e9rmino fuente. Para una PDE parab\u00f3lica, se resuelve desde el \u00faltimo tiempo hasta el momento inicial, recogiendo contribuciones en el camino.<\/p>\n<p>El costo computacional del m\u00e9todo adjunto es esencialmente una soluci\u00f3n directa adicional, no uno por par\u00e1metro. Esto lo hace pr\u00e1ctico para miles de par\u00e1metros, donde las diferencias finitas ser\u00edan imposibles.<\/p>\n<p>Givoli (2021) proporciona un excelente tutorial pedag\u00f3gico sobre el m\u00e9todo adjunto para problemas de elementos finitos, que muestra c\u00f3mo se deriva el adjunto discreto de la formulaci\u00f3n de elementos finitos y c\u00f3mo se relaciona con el adjunto continuo. La idea clave es que el adjunto discreto de un modelo directo discretizado no es necesariamente la discretizaci\u00f3n del adjunto continuo; aqu\u00ed es donde las estrategias de discretizaci\u00f3n de la Secci\u00f3n 2 vuelven a ser relevantes nuevamente.<\/p>\n<p><strong>Consejo Pro:<\/strong> Si est\u00e1 utilizando Fenics para su modelo de avance, Dolfin-Adjoint es la opci\u00f3n can\u00f3nica para la derivaci\u00f3n adjunta autom\u00e1tica. Construye autom\u00e1ticamente el adjunto discreto de su c\u00f3digo de avance al diferenciar el sistema ensamblado. La configuraci\u00f3n es simple: envuelva su soluci\u00f3n directa con <code>DOLFIN_Adjoint()<\/code>, especifique su funci\u00f3n de costo y llame a <code>compute_gradient()<\/code>, y maneja la derivaci\u00f3n adjunta autom\u00e1ticamente.<\/p>\n<p>Para una introducci\u00f3n pr\u00e1ctica, el tutorial adjunto de Stanford Ambad (Bradi\u0107 et al.) recorre la derivaci\u00f3n de ecuaciones adjuntas para los problemas de Navier-Stokes y Advection-difusi\u00f3n, con formulaciones claras de elementos finitos. Es una excelente referencia pr\u00e1ctica.<\/p>\n<h2>Inversi\u00f3n bayesiana: estimaci\u00f3n de par\u00e1metros conscientes de la incertidumbre<\/h2>\n<p>Las estimaciones puntuales, ya sea por la regularizaci\u00f3n de Tikhonov o la optimizaci\u00f3n adjunta, le brindan un \u00fanico \"mejor\" conjunto de par\u00e1metros. Pero no te dicen cu\u00e1n confiado deber\u00edas estar. En muchas aplicaciones, necesita la distribuci\u00f3n completa de la incertidumbre: \u00bfcu\u00e1l es el intervalo cre\u00edble del 95% en la permeabilidad? \u00bfQu\u00e9 tan probable es que el verdadero par\u00e1metro est\u00e9 fuera del rango estimado?<\/p>\n<p>La inversi\u00f3n bayesiana proporciona esto al tratar los par\u00e1metros como variables aleatorias. Usted especifica una distribuci\u00f3n anterior $mu_0$ que codifica su conocimiento previo sobre los par\u00e1metros, luego calcule la distribuci\u00f3n posterior $mu^y$ usando la regla de Bayes:<\/p>\n<p>$$mu^y(theta) propto expleft(-frac{1}{2} | y - mathcal{g}(theta) |_{gamma}^2right) mu_0(theta). $$<\/p>\n<p>El t\u00e9rmino exponencial es la probabilidad (la probabilidad de que se den los datos a los par\u00e1metros), y $mu_0$ es el anterior. El posterior combina ambos: equilibra los datos con el conocimiento previo.<\/p>\n<h3>El reto: MCMC<\/h3>\n<p>La computaci\u00f3n del posterior solo es tratable en casos simples de gaussio lineal. Para las PDES no lineales, necesita m\u00e9todos de Markov Chain Monte Carlo (MCMC) para muestrear de $mu^y$. El problema es que cada propuesta de MCMC requiere resolver el modelo de avance. Con 10.000 propuestas y una soluci\u00f3n PDE que tarda 5 minutos, est\u00e1s buscando d\u00edas o semanas de c\u00e1lculo.<\/p>\n<p>Es por eso que los modelos sustitutos son esenciales en los problemas inversos bayesianos. En lugar de resolver el PDE en cada paso de MCMC, crea una aproximaci\u00f3n r\u00e1pida del mapa de avance. Los sustitutos comunes incluyen:<\/p>\n<ul>\n<li><strong>Regresi\u00f3n del proceso gaussiano (GP)<\/strong>: proporciona predicciones y estimaciones de incertidumbre. Efectivo para espacios de par\u00e1metros de baja dimensi\u00f3n pero computacionalmente costoso para par\u00e1metros de alta dimensi\u00f3n ($mathcal{o}(n^3)$ para $n$ puntos de entrenamiento).<\/li>\n<li><strong>Surrogate de redes neuronales<\/strong>: evaluaci\u00f3n m\u00e1s r\u00e1pida pero m\u00e1s dif\u00edcil de cuantificar la incertidumbre. El marco Deepgala (Jimenez-Beltran et al., 2024) aborda esto combinando el m\u00e9todo de Deep Galerkin con la aproximaci\u00f3n de Laplace, proporcionando estimaciones de incertidumbre calibradas en la \u00faltima capa de la red.<\/li>\n<\/ul>\n<h3>Inversi\u00f3n de discretizaci\u00f3n invariante<\/h3>\n<p>Una idea cr\u00edtica de la inversi\u00f3n bayesiana del espacio funcional (Lassas et al., 2009) es que su posterior no debe depender de la malla. En el enfoque DTI, puede colocar un prior en un vector de par\u00e1metros discretizado, luego refinar la malla y descubrir que su posterior ha cambiado. Esto se debe a que lo anterior depende de la discretizaci\u00f3n.<\/p>\n<p>El enfoque CTI evita esto al colocar prior en espacios de funci\u00f3n de dimensi\u00f3n infinita (t\u00edpicamente procesos gaussianos o espacios de Besov), especificando la probabilidad en el espacio de observaci\u00f3n y discretizando la medida posterior de manera consistente. A medida que se refina la malla, el posterior discreto converge a un l\u00edmite independiente de la malla.<\/p>\n<p>Para un tutorial pr\u00e1ctico de los problemas inversos bayesianos en el espacio funcional, el cuaderno de Dan Mackinlay proporciona una introducci\u00f3n accesible que une la teor\u00eda y la implementaci\u00f3n, mostrando c\u00f3mo interact\u00faan la discretizaci\u00f3n de medici\u00f3n y la discretizaci\u00f3n computacional en el marco bayesiano.<\/p>\n<h2>Implementaci\u00f3n de Python: trips-py y dolffin-adjoint<\/h2>\n<p>Dos paquetes de Python hacen accesibles los problemas pr\u00e1cticos inversos. <strong>Trips-Py<\/strong> (Pasha et al., 2024) se centra en problemas inversos lineales discretos, mientras que <strong>dolfin-adjoint<\/strong> maneja la optimizaci\u00f3n restringida por PDE con derivaci\u00f3n adjunta autom\u00e1tica.<\/p>\n<h3>Trips-PY: Regularizaci\u00f3n para problemas lineales inversos<\/h3>\n<p>Trips-PY est\u00e1 dise\u00f1ado para problemas lineales inversos de la forma $AX = B$. Proporciona:<\/p>\n<ul>\n<li>M\u00e9todos directos: TSVD, Tikhonov, GSVD truncado<\/li>\n<li>M\u00e9todos iterativos: GMRES, LSQR, CGLS, variantes h\u00edbridas<\/li>\n<li>Selecci\u00f3n de par\u00e1metros de regularizaci\u00f3n: curva en L, principio de discrepancia, GCV<\/li>\n<li>Problemas de prueba: 1D\/2D desbluraci\u00f3n, tomograf\u00eda<\/li>\n<\/ul>\n<pre><code class=\"language-python\">from trips_py import Deblurring1D, TSVD, Tikhonov, GCV\n\n# Setup\ndeblurr = Deblurring1D()\nnx = 200\nx_true = deblurr.gen_xtrue(nx, test='curve2')\nA = deblurr.forward_Op_1D(parameter=30, nx=nx)\nb = deblurr.gen_data(x_true)\nb_noisy, delta = deblurr.add_noise(b, 'Gaussian', noise_level=0.01)\n\n# Solve with Tikhonov regularization\nsolver = Tikhonov()\nx_reg = solver.solve(A, b_noisy, regularization_parameter=0.01)\n\n# Or use GCV to find the regularization parameter automatically\nsolver = Tikhonov(regularization='auto')\nsolver.set_reg_param_method('GCV')\nx_reg = solver.solve(A, b_noisy)\n<\/code><\/pre>\n<p>Vale la pena entender la opci\u00f3n <code>CommitCrime<\/code> en TRIPS-PY. De forma predeterminada, Trips-PY evita el delito inverso al usar operadores directos que no coinciden para la generaci\u00f3n de datos y la soluci\u00f3n. Esta es una protecci\u00f3n pr\u00e1ctica: si su operador de reenv\u00edo para resolver exactamente coincide con el utilizado para generar los datos, su regularizaci\u00f3n puede parecer m\u00e1s efectiva de lo que realmente es. Establezca <code>CommitCrime=True<\/code> solo si desea espec\u00edficamente estudiar el fen\u00f3meno del crimen inverso.<\/p>\n<h3>Dolfin-adjoint: adjunto autom\u00e1tico para sistemas PDE<\/h3>\n<p>Dolfin-Adjoint se integra con Fenics para proporcionar una derivaci\u00f3n adjunta autom\u00e1tica para la optimizaci\u00f3n restringida por PDE:<\/p>\n<pre><code class=\"language-python\">from fenics import *\nfrom dolfin_adjoint import *\n\n# Define forward model\nmesh = RectangleMesh(50, 50, 1.0, 1.0)\nV = FunctionSpace(mesh, \"Lagrange\", 1)\nu = TrialFunction(V)\nv = TestFunction(V)\nalpha = Function(V)  # Unknown parameter field\n\n# Forward PDE: -\u2207\u00b7(\u03b1\u2207u) = f\nf = Constant(1.0)\nsolve(Inner(grad(u), grad(v))*dx == f*v*dx, alpha, \n      adjoint=adj_solve(Inner(grad(u), grad(v))*dx == f*v*dx))\n\n# Cost function\nJ = 0.5 * sum(v*v for v in V.sub(0).split())\n\n# Compute gradient via adjoint method\ncompute_gradient(J, alpha)\n<\/code><\/pre>\n<p>La funci\u00f3n <code>adj_solve<\/code> diferencia autom\u00e1ticamente la soluci\u00f3n directa, generando la ecuaci\u00f3n adjunta internamente. No necesita derivar o implementar el adjunto manualmente: Dolffin-adjoint lo maneja. Esto es particularmente valioso cuando su PDE tiene condiciones de contorno complejas o operadores no lineales.<\/p>\n<p>Para los problemas en los que se necesita cuantificar la incertidumbre junto con la estimaci\u00f3n de par\u00e1metros, la combinaci\u00f3n de Dolffin-adjoint (para el c\u00e1lculo de gradiente eficiente) con los muestreadores bayesianos (como EMCEE o PYMC) proporciona un marco potente. La informaci\u00f3n de degradado de Dolfin-adjoint acelera los m\u00e9todos MCMC basados en gradiente como el muestreador sin giro (NUTS).<\/p>\n<h2>El \"crimen inverso\": por qu\u00e9 sus datos sint\u00e9ticos pueden estar mintiendo a usted<\/h2>\n<p>El crimen inverso es una trampa notoria en la investigaci\u00f3n de problemas inversos. Ocurre cuando el operador directo utilizado para generar datos de prueba sint\u00e9ticos es id\u00e9ntico al que se utiliza para resolver el problema inverso. el resultado? Su regularizaci\u00f3n parece dram\u00e1ticamente m\u00e1s efectiva de lo que realmente es.<\/p>\n<p>He aqu\u00ed por qu\u00e9: los m\u00e9todos de regularizaci\u00f3n como Tikhonov penalizan impl\u00edcitamente a ciertas caracter\u00edsticas de la soluci\u00f3n. Si sus datos sint\u00e9ticos se generaron con un operador que se alinea con su regularizaci\u00f3n anterior, recuperar\u00e1 la verdad del terreno sin esfuerzo, no porque su m\u00e9todo sea bueno, sino porque se configura para tener \u00e9xito.<\/p>\n<p>La consecuencia es que los puntos de referencia publicados basados en datos de delitos inversos pueden ser enga\u00f1osos. Un m\u00e9todo que logra una precisi\u00f3n del 99% en los datos de delitos inversos podr\u00eda caer al 60% en los datos del mundo real donde el operador de avance no coincide realmente (debido a diferencias de discretizaci\u00f3n, simplificaciones de modelos o geometr\u00eda de medici\u00f3n).<\/p>\n<p><strong>\u26a0\ufe0f Error com\u00fan:<\/strong> Generar datos de prueba con el mismo modelo de avance que usas para la inversi\u00f3n, y luego afirmar que tu m\u00e9todo es \"robusto\" basado en la excelente recuperaci\u00f3n. Este es el crimen inverso: infla las m\u00e9tricas de rendimiento al explotar la alineaci\u00f3n estructural entre la generaci\u00f3n de datos y la inversi\u00f3n.<\/p>\n<p>TRIPS-PY aborda esto de forma predeterminada: su clase <code>Deblurring1D<\/code> utiliza diferentes condiciones de contorno para la generaci\u00f3n de datos frente a la soluci\u00f3n, evitando el crimen inverso. Para estudiar el crimen inverso espec\u00edficamente, debe establecer expl\u00edcitamente <code>CommitCrime=True<\/code>. Esta protecci\u00f3n predeterminada hace que Trips-Py sea de una utilidad \u00fanica para el benchmarking honesto.<\/p>\n<p>El fundamento matem\u00e1tico del crimen inverso fue aclarado por Kaipio y Sereno (2007), quienes demostraron que el crimen inverso puede cuantificarse como la alineaci\u00f3n entre los espacios nulos del operador delantero y el operador de regularizaci\u00f3n. Cuando estos espacios nulos se alinean, la regularizaci\u00f3n se vuelve artificialmente efectiva. Cuando no lo hacen, surge la verdadera dificultad del problema inverso.<\/p>\n<h2>Relacionado: Pinns y aprendizaje autom\u00e1tico para problemas inversos<\/h2>\n<p>El aprendizaje autom\u00e1tico ha entrado en el espacio de problemas inversos de dos maneras principales: <strong>Redes neuronales informadas por la f\u00edsica (PINNS)<\/strong> y <strong>Operador neuronal sustituto<\/strong>.<\/p>\n<p>Pinns (Raissi et al., 2019) incrustar la PDE directamente en la funci\u00f3n de p\u00e9rdida de la red neuronal. La red aprende a satisfacer tanto los datos como la f\u00edsica simult\u00e1neamente. Para problemas inversos, los pins pueden descubrir par\u00e1metros desconocidos minimizando el residuo de las ecuaciones de gobierno junto con el inadaptado de datos. La belleza es que no necesita conocer los par\u00e1metros para configurar la red: se tratan como constantes entrenables.<\/p>\n<p>Sin embargo, los pinns enfrentan desaf\u00edos:<\/p>\n<ul>\n<li><strong>Sesgo espectral:<\/strong> Las redes neuronales aprenden primero los componentes de baja frecuencia, lo que puede hacer que se pierdan las variaciones de par\u00e1metros de escala fina.<\/li>\n<li><strong>Equilibrio de p\u00e9rdidas:<\/strong> Diferentes t\u00e9rminos en la p\u00e9rdida (residuo de PDE, condiciones de contorno, inadaptado de datos) tienen diferentes escalas. Obtener el equilibrio adecuado requiere ajuste o ponderaci\u00f3n adaptativa.<\/li>\n<li><strong>Garant\u00edas de convergencia:<\/strong> A diferencia de la regularizaci\u00f3n de Tikhonov, no hay resultados de convergencia probados para los pins en el l\u00edmite de ruido a se\u00f1al.<\/li>\n<\/ul>\n<p>Los sustitutos de operadores neuronales (como Deepgala) son otro enfoque emergente. En lugar de aprender el mapa de soluciones directamente, aprenden una aproximaci\u00f3n r\u00e1pida del modelo directo que se puede evaluar millones de veces durante el muestreo de MCMC. DeepGala (Jimenez-Beltran et al., 2024) proporciona un marco concreto: entrenar una red neural sustituta con el m\u00e9todo Galerkin, luego usar la aproximaci\u00f3n de Laplace para cuantificar la incertidumbre en la \u00faltima capa. El sustituto aleatorio resultante permite problemas inversos bayesianos escalables sin sacrificar la confiabilidad.<\/p>\n<p>Para un contexto m\u00e1s profundo sobre los pines, consulte <a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\">Physics-Informed Neural Networks (PINNS) para Simulaciones cient\u00edficas<\/a>.<\/p>\n<h2>Resumen + Pr\u00f3ximos pasos<\/h2>\n<p>Los problemas inversos para los modelos PDE se encuentran en la intersecci\u00f3n de tres disciplinas: an\u00e1lisis num\u00e9rico (c\u00f3mo resolverlos de manera eficiente), matem\u00e1ticas aplicadas (c\u00f3mo garantizar la convergencia) y estad\u00edsticas (c\u00f3mo cuantificar la incertidumbre). El desaf\u00edo pr\u00e1ctico es elegir la combinaci\u00f3n correcta de m\u00e9todos para su problema espec\u00edfico.<\/p>\n<p>Aqu\u00ed hay un flujo de trabajo pr\u00e1ctico:<\/p>\n<ol>\n<li><strong>Comienza con un modelo de avance.<\/strong> Implementa o valida tu solucionador de PDE. Si no ha hecho esto, consulte <a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\">Verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas<\/a>.<\/li>\n<li><strong>Formula el problema inverso.<\/strong> Especifica qu\u00e9 par\u00e1metros est\u00e1s recuperando, qu\u00e9 datos tienes y qu\u00e9 nivel de ruido esperar.<\/li>\n<li><strong>Elija una estrategia de discretizaci\u00f3n.<\/strong> DTI es m\u00e1s simple; CTI da la independencia de la malla. Si necesita ambos, ITD ofrece la mayor flexibilidad.<\/li>\n<li><strong>Elige un m\u00e9todo de regularizaci\u00f3n.<\/strong> Tikhonov con L-curve o principio de discrepancia es el punto de partida est\u00e1ndar. Trips-PY proporciona implementaciones.<\/li>\n<li><strong>Compute los gradientes de manera eficiente.<\/strong> Si tiene muchos par\u00e1metros, utilice el m\u00e9todo adjunto. Dolfin-adjoint maneja la derivaci\u00f3n autom\u00e1ticamente.<\/li>\n<li><strong>Cuantificar la incertidumbre.<\/strong> Para los par\u00e1metros de alta dimensi\u00f3n, considere sustitutos neuronales como Deepgala. Para dimensiones inferiores, MCMC con un sustituto de GP es efectivo.<\/li>\n<li><strong>Evite el crimen inverso.<\/strong> Siempre verifique que su operador forward para la generaci\u00f3n de datos sea diferente de su operador de inversi\u00f3n, o estudie expl\u00edcitamente el crimen.<\/li>\n<\/ol>\n<p>El campo est\u00e1 evolucionando r\u00e1pidamente. Los enfoques de aprendizaje profundo complementan los m\u00e9todos tradicionales de regularizaci\u00f3n, y las herramientas de diferenciaci\u00f3n autom\u00e1tica como Dolfin-adjoint est\u00e1n haciendo accesible la inversi\u00f3n basada en adjuntas para los profesionales que no quieren derivar ecuaciones adjuntas manualmente. La clave es basar su elecci\u00f3n en las propiedades matem\u00e1ticas de su problema espec\u00edfico: saber cu\u00e1ndo un problema est\u00e1 mal planteado, c\u00f3mo la regularizaci\u00f3n lo doma y qu\u00e9 cuantificaci\u00f3n de incertidumbre le dice acerca de sus par\u00e1metros.<\/p>\n<h2>Gu\u00edas relacionadas<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\">verificaci\u00f3n vs validaci\u00f3n en simulaciones cient\u00edficas<\/a> \u2014 entender c\u00f3mo encaja la estimaci\u00f3n de par\u00e1metros en El marco de validaci\u00f3n m\u00e1s amplio<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\">Cuantificaci\u00f3n de incertidumbre y an\u00e1lisis de sensibilidad en simulaci\u00f3n cient\u00edfica<\/a> \u2014 Propagaci\u00f3n de la incertidumbre de los par\u00e1metros a trav\u00e9s de modelos avanzados<\/li>\n<li><a href=\"https:\/\/matforge.org\/time-integration-methods-for-pde-solvers-explicit-vs-implicit-schemes\/\">m\u00e9todos de integraci\u00f3n de tiempo para solucionadores de PDE<\/a> \u2014 C\u00f3mo afecta el paso del tiempo num\u00e9rico Resolver precisi\u00f3n<\/li>\n<li><a href=\"https:\/\/matforge.org\/stiff-problems-and-stiff-solvers\/\">problemas r\u00edgidos y solucionadores r\u00edgidos<\/a> \u2014 Cuando la regularizaci\u00f3n introduce rigidez en su avance resuelve<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\">networks neurales informadas de f\u00edsica (PIN) para simulaciones cient\u00edficas<\/a> \u2014 enfoques ML que integren PDES directamente en el aprendizaje<\/li>\n<\/ul>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 15<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Aprenda a estimar los par\u00e1metros desconocidos de las simulaciones PDE utilizando m\u00e9todos adjuntos, inversi\u00f3n bayesiana y paquetes de Python como Trips-PY y Dolfin-Adjoint.<\/p>\n","protected":false,"raw":"Aprenda a estimar los par\u00e1metros desconocidos de las simulaciones PDE utilizando m\u00e9todos adjuntos, inversi\u00f3n bayesiana y paquetes de Python como Trips-PY y Dolfin-Adjoint."},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"es_ES","_original_post":"https:\/\/matforge.org\/inverse-problems-parameter-estimation-pde-models\/","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-544","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","es-ES"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE - matforge.org<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  15 minutesAprenda a estimar los par\u00e1metros desconocidos de las simulaciones PDE utilizando m\u00e9todos adjuntos, inversi\u00f3n bayesiana y paquetes de Python como Trips-PY y Dolfin-Adjoint.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-22T08:18:02+00:00\" \/>\n<meta name=\"author\" content=\"steven\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"steven\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"25 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE\",\"datePublished\":\"2026-07-22T08:18:02+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/\"},\"wordCount\":4795,\"commentCount\":0,\"articleSection\":[\"Simulaci\u00f3n &amp; Proyectos de modelado\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/\",\"name\":\"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-07-22T08:18:02+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/inverse-problems-parameter-estimation-pde-models\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\",\"name\":\"steven\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"caption\":\"steven\"},\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/steven\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE - matforge.org","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/","og_locale":"es_ES","og_type":"article","og_title":"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE - matforge.org","og_description":"Reading Time:  15 minutesAprenda a estimar los par\u00e1metros desconocidos de las simulaciones PDE utilizando m\u00e9todos adjuntos, inversi\u00f3n bayesiana y paquetes de Python como Trips-PY y Dolfin-Adjoint.","og_url":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/","og_site_name":"matforge.org","article_published_time":"2026-07-22T08:18:02+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"steven","Tiempo de lectura":"25 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE","datePublished":"2026-07-22T08:18:02+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/"},"wordCount":4795,"commentCount":0,"articleSection":["Simulaci\u00f3n &amp; Proyectos de modelado"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/","url":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/","name":"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-07-22T08:18:02+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/es\/inverse-problems-parameter-estimation-pde-models\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/es\/"},{"@type":"ListItem","position":2,"name":"Problemas inversos y estimaci\u00f3n de par\u00e1metros para modelos PDE"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03","name":"steven","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","caption":"steven"},"url":"https:\/\/matforge.org\/author\/steven\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/544","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=544"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/544\/revisions"}],"predecessor-version":[{"id":745,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/544\/revisions\/745"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=544"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=544"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=544"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}