{"id":597,"date":"2026-07-22T08:16:55","date_gmt":"2026-07-22T08:16:55","guid":{"rendered":"https:\/\/matforge.org\/?p=597","raw":"https:\/\/matforge.org\/?p=597"},"modified":"2026-07-22T08:16:55","modified_gmt":"2026-07-22T08:16:55","slug":"machine-learning-surrogates-scientific-simulations","status":"publish","type":"post","link":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/","title":{"rendered":"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica","raw":"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica"},"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\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>Los sustitutos de aprendizaje autom\u00e1tico (ML) son aproximaciones r\u00e1pidas basadas en datos de simulaciones cient\u00edficas costosas. Permiten predicciones casi en tiempo real, exploraci\u00f3n masiva del espacio de dise\u00f1o y cuantificaci\u00f3n de incertidumbre que ser\u00eda imposible solo con la simulaci\u00f3n directa. Use sustitutos cuando necesite optimizaci\u00f3n iterativa o miles de evaluaciones; Siga con la simulaci\u00f3n directa para la validaci\u00f3n final o cuando la alta precisi\u00f3n no sea negociable. Esta gu\u00eda cubre los fundamentos, los tipos, el flujo de trabajo de implementaci\u00f3n y las trampas cr\u00edticas que se deben evitar.<\/p>\n<h2>Introducci\u00f3n: el cuello de botella computacional<\/h2>\n<p>Las simulaciones cient\u00edficas, ya sea para resolver ecuaciones diferenciales parciales (PDE) con FIPY, ejecutar an\u00e1lisis de elementos finitos o modelar la din\u00e1mica de fluidos, son computacionalmente costosos. Una sola simulaci\u00f3n de alta fidelidad puede llevar horas, d\u00edas o incluso semanas en hardware potente. Cuando necesita explorar cientos de variaciones de dise\u00f1o, realizar an\u00e1lisis de sensibilidad o ejecutar cuantificaci\u00f3n de incertidumbre con miles de muestras, el costo computacional se vuelve prohibitivo.<\/p>\n<p>Aqu\u00ed es donde entran en juego sustitutos de aprendizaje autom\u00e1tico.<\/p>\n<h2>\u00bfQu\u00e9 son los sustitutos de aprendizaje autom\u00e1tico?<\/h2>\n<p>Un <strong>modelo sustituto<\/strong> (o metamodelo) es un modelo r\u00e1pido y aproximado que imita el comportamiento de entrada-salida de una simulaci\u00f3n costosa compleja [1]. En lugar de resolver las ecuaciones completas basadas en la f\u00edsica cada vez, entrenas un modelo de aprendizaje autom\u00e1tico en un conjunto limitado de resultados de simulaci\u00f3n y luego lo usas para hacer predicciones instant\u00e1neas para nuevas entradas.<\/p>\n<p>Pi\u00e9nsalo de esta manera:<\/p>\n<ul>\n<li><strong>Simulaci\u00f3n directa<\/strong>: alta precisi\u00f3n, alto costo, basado en la f\u00edsica<\/li>\n<li><strong>ml sustituto<\/strong>: buena aproximaci\u00f3n, coste casi cero, basado en datos<\/li>\n<\/ul>\n<p>La compensaci\u00f3n es clara: los sustitutos sacrifican cierta precisi\u00f3n por ganancias de velocidad masivas, lo que permite tareas que de otro modo ser\u00edan imposibles.<\/p>\n<h3>Terminolog\u00eda clave<\/h3>\n<ul>\n<li><strong>Datos de entrenamiento<\/strong>: un conjunto de par\u00e1metros de entrada y salidas de simulaci\u00f3n correspondientes que se utilizan para ajustarse al sustituto.<\/li>\n<li><strong>Modelo sustituto<\/strong>: el modelo ML que se aproxima a la simulaci\u00f3n.<\/li>\n<li><strong>Aprendizaje activo<\/strong>: seleccionando estrat\u00e9gicamente nuevos puntos de simulaci\u00f3n para mejorar la mayor\u00eda del sustituto.<\/li>\n<li><strong>Cuantificaci\u00f3n de incertidumbre (UQ)<\/strong>: estimaci\u00f3n de los l\u00edmites de confianza o de error de las predicciones sustitutas.<\/li>\n<\/ul>\n<h2>Cu\u00e1ndo usar ML Sustitutos vs Simulaci\u00f3n directa<\/h2>\n<p>No todos los problemas se benefician del modelado sustituto. La matriz de decisi\u00f3n a continuaci\u00f3n resume cu\u00e1ndo elegir cada enfoque [2]:<\/p>\n<table>\n<thead>\n<tr>\n<th>Caracter\u00edstica<\/th>\n<th>Sustituto de aprendizaje autom\u00e1tico<\/th>\n<th>Simulaci\u00f3n directa<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>velocidad<\/strong><\/td>\n<td>Instant\u00e1neo \/ en tiempo real<\/td>\n<td>Lento (horas\/d\u00edas)<\/td>\n<\/tr>\n<tr>\n<td><strong>Exactitud<\/strong><\/td>\n<td>buena aproximaci\u00f3n<\/td>\n<td>Alto \/ Verdad de tierra<\/td>\n<\/tr>\n<tr>\n<td><strong>Costo<\/strong><\/td>\n<td>Bajo (despu\u00e9s del entrenamiento)<\/td>\n<td>Elevado<\/td>\n<\/tr>\n<tr>\n<td><strong>Requisito de datos<\/strong><\/td>\n<td>Alto (para entrenamiento)<\/td>\n<td>Ninguno (basado en la f\u00edsica)<\/td>\n<\/tr>\n<tr>\n<td><strong>Lo mejor para<\/strong><\/td>\n<td>Dise\u00f1o iterativo, optimizaci\u00f3n<\/td>\n<td>Validaci\u00f3n, Nueva F\u00edsica<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Utilice sustitutos de ML cuando:<\/strong><\/p>\n<ul>\n<li>Alto costo de c\u00e1lculo (horas\/d\u00edas por ejecuci\u00f3n)<\/li>\n<li>Dise\u00f1o\/optimizaci\u00f3n iterativa (100s-1000s de evaluaciones)<\/li>\n<li>Aplicaciones de interacci\u00f3n en tiempo real o orientadas al usuario<\/li>\n<li>Cuantificaci\u00f3n de la incertidumbre (Monte Carlo necesita carreras de 1000)<\/li>\n<\/ul>\n<p><strong>Utilice la simulaci\u00f3n directa cuando:<\/strong><\/p>\n<ul>\n<li>Precisi\u00f3n m\u00e1xima requerida (validaci\u00f3n final, certificaciones de seguridad)<\/li>\n<li>An\u00e1lisis \u00fanicos (costo de los datos de entrenamiento y beneficio)<\/li>\n<li>Nuevos reg\u00edmenes f\u00edsicos sin datos de entrenamiento<\/li>\n<li>Certificaci\u00f3n regulatoria o de seguridad<\/li>\n<\/ul>\n<p><strong>L\u00ednea inferior<\/strong>: cree un sustituto si necesita evaluar la simulaci\u00f3n muchas veces con entradas ligeramente diferentes. Use simulaci\u00f3n directa para verificaciones finales, escenarios novedosos o cuando la simulaci\u00f3n ya sea lo suficientemente r\u00e1pida.<\/p>\n<h2>Tipos de modelos de subrogaci\u00f3n de aprendizaje autom\u00e1tico<\/h2>\n<p>Varias arquitecturas de ML se utilizan com\u00fanmente para el modelado sustituto, cada una con fortalezas y compensaciones [3]:<\/p>\n<h3>1. Procesos Gaussianos (Kriging)<\/h3>\n<p>Los procesos gaussianos (GPS) son una opci\u00f3n natural para los sustitutos cient\u00edficos porque proporcionan <strong>predicciones probabil\u00edsticas<\/strong>, no solo un valor, sino tambi\u00e9n una estimaci\u00f3n de incertidumbre [4]. Esto es invaluable para el dise\u00f1o consciente del riesgo y el aprendizaje activo.<\/p>\n<p><strong>Pros:<\/strong><\/p>\n<ul>\n<li>Cuantificaci\u00f3n de incertidumbre incorporada<\/li>\n<li>Funciona bien con conjuntos de datos peque\u00f1os a medianos (&lt; 10.000 puntos)<\/li>\n<li>Robusto al sobreajuste con el kernel de covarianza adecuado<\/li>\n<\/ul>\n<p><strong>Contras:<\/strong><\/p>\n<ul>\n<li>Escala deficientemente con el tama\u00f1o de los datos de entrenamiento (inferencia O(n\u00b3))<\/li>\n<li>Limitado a dimensiones de entrada de baja a moderada (&lt; 50)<\/li>\n<\/ul>\n<p><strong>Lo mejor para<\/strong>: optimizaci\u00f3n del dise\u00f1o de ingenier\u00eda, espacios de par\u00e1metros peque\u00f1os, aplicaciones donde los l\u00edmites de incertidumbre son cr\u00edticos.<\/p>\n<h3>2. Redes neuronales y aprendizaje profundo<\/h3>\n<p>Las redes neuronales, especialmente las arquitecturas profundas, sobresalen con <strong>conjuntos de datos grandes<\/strong> y <strong>Entradas de alta dimensi\u00f3n<\/strong> [5]. Los avances recientes como los operadores neurales de Fourier (FNOS) y las redes neuronales informadas en la f\u00edsica (PINN) pueden incluso aprender a resolver familias enteras de PDE.<\/p>\n<p><strong>Pros:<\/strong><\/p>\n<ul>\n<li>Inferencia r\u00e1pida despu\u00e9s del entrenamiento<\/li>\n<li>Maneja entradas de alta dimensi\u00f3n y relaciones complejas<\/li>\n<li>Puede incorporar restricciones de f\u00edsica (PIN)<\/li>\n<\/ul>\n<p><strong>Contras:<\/strong><\/p>\n<ul>\n<li>Requiere datos de entrenamiento sustanciales<\/li>\n<li>naturaleza de caja negra; La cuantificaci\u00f3n de la incertidumbre necesita t\u00e9cnicas adicionales<\/li>\n<li>Riesgo de sobreajuste sin regularizaci\u00f3n cuidadosa<\/li>\n<\/ul>\n<p><strong>Lo mejor para<\/strong>: problemas a gran escala, datos similares a im\u00e1genes (por ejemplo, salidas de campo), aprendizaje del operador (par\u00e1metros de asignaci\u00f3n a campos de soluci\u00f3n completos).<\/p>\n<h3>3. Expansi\u00f3n del caos polin\u00f3mico (PCE)<\/h3>\n<p>PCE representa la salida de simulaci\u00f3n como una expansi\u00f3n espectral en t\u00e9rminos de polinomios ortogonales de las entradas aleatorias [6]. Es particularmente adecuado para <strong> distribuciones de entrada probabil\u00edsticas<\/strong> y proporciona expresiones anal\u00edticas para los momentos.<\/p>\n<p><strong>Pros:<\/strong><\/p>\n<ul>\n<li>Eficiente para dimensiones de entrada moderadas<\/li>\n<li>Acceso directo a momentos estad\u00edsticos (media, varianza)<\/li>\n<li>Fundaci\u00f3n matem\u00e1tica rigurosa<\/li>\n<\/ul>\n<p><strong>Contras:<\/strong><\/p>\n<ul>\n<li>asume una dependencia suave de las entradas<\/li>\n<li>Maldici\u00f3n de dimensionalidad m\u00e1s all\u00e1 de ~20 variables<\/li>\n<li>Requiere construcci\u00f3n de base especializada<\/li>\n<\/ul>\n<p><strong>Lo mejor para<\/strong>: propagaci\u00f3n de la incertidumbre, an\u00e1lisis de sensibilidad cuando las entradas son independientes y se conocen distribuciones.<\/p>\n<h3>4. Otros m\u00e9todos<\/h3>\n<ul>\n<li><strong>Cuadr\u00edculas escasas<\/strong>: para problemas de baja dimensi\u00f3n con simulaciones costosas<\/li>\n<li><strong>Bosques aleatorios \/ Impulso de gradiente<\/strong>: para datos tabulares con respuestas no suaves<\/li>\n<li><strong>Soporte de m\u00e1quinas vectoriales<\/strong>: para conjuntos de datos m\u00e1s peque\u00f1os con m\u00e1rgenes claros<\/li>\n<\/ul>\n<h2>Construyendo un sustituto: el flujo de trabajo<\/h2>\n<p>La creaci\u00f3n de un sustituto de confianza implica varios pasos cr\u00edticos [7]:<\/p>\n<h3>Paso 1: Definir el espacio de entrada<\/h3>\n<p>Especifique el rango y la distribuci\u00f3n de los par\u00e1metros de entrada que desea que cubra el sustituto. Sea realista: los sustitutos no pueden extrapolar de manera confiable m\u00e1s all\u00e1 de la regi\u00f3n de datos de entrenamiento.<\/p>\n<p><strong>Error com\u00fan<\/strong>: Definir un espacio de entrada demasiado amplio \u00abpor si acaso\u00bb. los sustitutos interpolan; No se extrapolan bien. Es mejor entrenar a m\u00faltiples sustitutos especializados que uno general que adivine salvajemente fuera de su entrenamiento.<\/p>\n<h3>Paso 2: Generar datos de entrenamiento<\/h3>\n<p>Ejecute la simulaci\u00f3n de alta fidelidad en un conjunto de puntos de entrada muestreados. La calidad y la cobertura de este conjunto de datos determinan la exactitud del sustituto.<\/p>\n<p><strong>Estrategias de muestreo:<\/strong><\/p>\n<ul>\n<li><strong>Muestreo de hipercubo latino (LHS)<\/strong>: buenas propiedades de llenado de espacio para dimensiones moderadas<\/li>\n<li><strong>Secuencias SOBOL<\/strong>: secuencias de baja discrepancia para una cobertura uniforme<\/li>\n<li><strong>Aprendizaje activo<\/strong>: agrega puntos de forma iterativa donde el sustituto es m\u00e1s incierto (reduce las simulaciones totales necesarias)<\/li>\n<\/ul>\n<p><strong>Advertencia<\/strong>: La generaci\u00f3n de datos de capacitaci\u00f3n suele ser el cuello de botella: \u00a1es caro! El aprendizaje activo puede reducir el n\u00famero de simulaciones requeridas en un 50% o m\u00e1s [8].<\/p>\n<h3>Paso 3: Elige y entrena al modelo<\/h3>\n<p>Seleccione un tipo de sustituto basado en el tama\u00f1o del problema, el volumen de datos y la necesidad de estimaciones de incertidumbre. Entrene en el conjunto de datos, utilizando la validaci\u00f3n cruzada para ajustar los hiperpar\u00e1metros.<\/p>\n<p><strong>Consideraciones clave:<\/strong><\/p>\n<ul>\n<li>Normalizar entradas y salidas<\/li>\n<li>Dividir datos en conjuntos de entrenamiento\/validaci\u00f3n\/prueba<\/li>\n<li>Monitor de sobreajuste (exactitud de entrenamiento perfecta, validaci\u00f3n deficiente)<\/li>\n<\/ul>\n<h3>Paso 4: Validar el sustituto<\/h3>\n<p>Nunca conf\u00edes en un sustituto sin una validaci\u00f3n rigurosa [9]. Usa m\u00e9tricas como:<\/p>\n<ul>\n<li><strong>Puntuaci\u00f3n R\u00b2<\/strong> (coeficiente de determinaci\u00f3n)<\/li>\n<li><strong>Error cuadr\u00e1tico medio (RMSE)<\/strong><\/li>\n<li><strong>Error absoluto medio (MAE)<\/strong><\/li>\n<li><strong>Error absoluto m\u00e1ximo<\/strong> (falla catastr\u00f3fica)<\/li>\n<\/ul>\n<p>Adem\u00e1s, trace los residuos y la predicci\u00f3n frente a los valores reales. Busque sesgo sistem\u00e1tico o heterocedasticidad.<\/p>\n<p><strong>Pr\u00e1ctica esencial<\/strong>: Mantenga un conjunto de pruebas de simulaci\u00f3n retenido que nunca se usaron durante el entrenamiento o la sintonizaci\u00f3n de hiperpar\u00e1metros. Esto da una estimaci\u00f3n imparcial del rendimiento del mundo real.<\/p>\n<h3>Paso 5: Implementar con precauci\u00f3n<\/h3>\n<p>Una vez validado, el sustituto se puede utilizar para la exploraci\u00f3n r\u00e1pida. Sin embargo:<\/p>\n<ul>\n<li><strong>Nunca use un sustituto fuera de su dominio de entrada validado<\/strong><\/li>\n<li><strong>Verificar siempre las predicciones cr\u00edticas con una simulaci\u00f3n directa<\/strong> (especialmente para los dise\u00f1os finales)<\/li>\n<li><strong>Monitor de degradaci\u00f3n<\/strong> con el tiempo, ya que el sistema subyacente puede desviarse<\/li>\n<\/ul>\n<h2>Cuantificaci\u00f3n de la incertidumbre: por qu\u00e9 y c\u00f3mo<\/h2>\n<p>Las predicciones sustitutas sin l\u00edmites de incertidumbre son peligrosas: parecen precisas pero pueden ser muy equivocadas [10]. La cuantificaci\u00f3n de incertidumbre (UQ) le dice cu\u00e1nto debe confiar en cada predicci\u00f3n.<\/p>\n<h3>Fuentes de incertidumbre<\/h3>\n<ol>\n<li><strong>Incertidumbre aleatoria<\/strong>: aleatoriedad inherente en las entradas (por ejemplo, propiedades del material dentro de los rangos de tolerancia)<\/li>\n<li><strong>Incertidumbre epist\u00e9mica<\/strong>: falta de conocimiento debido a los datos de entrenamiento limitados; Reduce a medida que agrega m\u00e1s datos<\/li>\n<\/ol>\n<p>Un buen modelo sustituto cuantifica ambos. Los procesos gaussianos proporcionan esto naturalmente a trav\u00e9s de la varianza predictiva. Para redes neuronales, puede utilizar:<\/p>\n<ul>\n<li><strong>Abandono de Monte Carlo<\/strong>: M\u00faltiples pases delanteros con abandono habilitado para obtener una distribuci\u00f3n predictiva<\/li>\n<li><strong>Ensambles profundos<\/strong>: entrenar m\u00faltiples redes y utilizar la varianza de predicci\u00f3n<\/li>\n<li><strong>Predicci\u00f3n conformal<\/strong>: Garant\u00edas de incertidumbre libre de distribuci\u00f3n [11]<\/li>\n<\/ul>\n<h3>Aprendizaje activo con incertidumbre<\/h3>\n<p>El aprendizaje activo utiliza la propia incertidumbre del sustituto para decidir d\u00f3nde ejecutar la pr\u00f3xima simulaci\u00f3n costosa [12]. La estrategia general:<\/p>\n<ol>\n<li>Entrenar sustitutos iniciales en un conjunto de datos peque\u00f1o<\/li>\n<li>Identifique las regiones donde la incertidumbre de predicci\u00f3n es m\u00e1s alta (o donde es probable que haya fallas)<\/li>\n<li>Ejecutar simulaciones en esos puntos<\/li>\n<li>Vuelva a entrenar con conjunto de datos aumentado<\/li>\n<li>repetir hasta que la incertidumbre sea aceptable o el presupuesto agotado<\/li>\n<\/ol>\n<p>Este enfoque puede lograr la misma precisi\u00f3n con muchas menos simulaciones que el muestreo uniforme.<\/p>\n<h2>Trampas comunes y c\u00f3mo evitarlas<\/h2>\n<p>Basado en la literatura y la experiencia pr\u00e1ctica [13], aqu\u00ed est\u00e1n los errores m\u00e1s comunes:<\/p>\n<h3>1. Datos de capacitaci\u00f3n insuficientes o de mala calidad<\/h3>\n<p><strong>Problema<\/strong>: muy pocas ejecuciones de simulaci\u00f3n o muestras agrupadas en una regi\u00f3n, dejando grandes huecos en el espacio de entrada.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: use dise\u00f1os de relleno de espacio (LHS, SOBOL) y eval\u00fae la cobertura. El aprendizaje activo puede ayudar a apuntar a regiones dispersas. Como regla general, busque al menos 10 \u00d7 m\u00e1s puntos de entrenamiento que las dimensiones de entrada, aunque esto var\u00eda.<\/p>\n<h3>2. Extrapolaci\u00f3n m\u00e1s all\u00e1 del dominio de entrenamiento<\/h3>\n<p><strong>Problema<\/strong>: Usando el sustituto para combinaciones de entrada lejos de cualquier punto de entrenamiento.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: Defina l\u00edmites operativos claros. Implemente la detecci\u00f3n de \u00abfuera de distribuci\u00f3n\u00bb (por ejemplo, distancia al punto de entrenamiento m\u00e1s cercano, umbrales de varianza de predicci\u00f3n). Devuelve una advertencia o ni\u00e9gate a predecir cu\u00e1ndo las entradas est\u00e1n fuera del rango validado.<\/p>\n<h3>3. Ignorar la cuantificaci\u00f3n de la incertidumbre<\/h3>\n<p><strong>Problema<\/strong>: Tratar las predicciones sustitutas como verdad b\u00e1sica.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: Siempre informe los intervalos de predicci\u00f3n. En la optimizaci\u00f3n, use criterios conservadores (p. ej., menor l\u00edmite de confianza) para evitar la falsa confianza.<\/p>\n<h3>4. Sobreajuste de los datos de entrenamiento<\/h3>\n<p><strong>Problema<\/strong>: el sustituto memoriza los puntos de entrenamiento pero no se generaliza.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: use modelos de validaci\u00f3n cruzada, regularizaci\u00f3n y simples siempre que sea posible. Para las redes neuronales, use abandono, decaimiento de peso y parada temprana. Supervise el error de validaci\u00f3n, no solo el error de entrenamiento.<\/p>\n<h3>5. Descuidar el mantenimiento del modelo<\/h3>\n<p><strong>Problema<\/strong>: entrenar una vez y olvidar, incluso cuando cambia el c\u00f3digo de simulaci\u00f3n subyacente o la f\u00edsica.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: trate a los sustitutos como cualquier software de investigaci\u00f3n: realice un seguimiento de las versiones, vuelva a entrenarse cuando se realicen actualizaciones de simulaci\u00f3n y documente las fuentes de datos. Consulte nuestra gu\u00eda sobre <a href=\"\/tracking-long-term-technical-debt-in-research-software\/\">seguimiento de la deuda t\u00e9cnica a largo plazo en el software de investigaci\u00f3n<\/a> para conocer las mejores pr\u00e1cticas.<\/p>\n<h2>Herramientas y marcos<\/h2>\n<p>Varias bibliotecas de c\u00f3digo abierto admiten modelado sustituto y uq [14]:<\/p>\n<ul>\n<li><strong>OpenTurns<\/strong>: una biblioteca completa para el an\u00e1lisis de incertidumbre y el metamodelado (C++\/Python)<\/li>\n<li><strong>UQLAB<\/strong>: Marco basado en MATLAB para UQ y Modelado de Surrogaci\u00f3n<\/li>\n<li><strong>Scikit-learn<\/strong>: Biblioteca Python con procesos gaussianos, bosques aleatorios y m\u00e1s<\/li>\n<li><strong>gpy<\/strong> \/ <strong>gpyTorch<\/strong>: marcos de procesos gaussianos para Python<\/li>\n<li><strong>PyTorch<\/strong> \/ <strong>tensorflow<\/strong>: para sustitutos de redes neuronales personalizadas<\/li>\n<li><strong>UQ4CFD<\/strong>: Plataforma especializada para la cuantificaci\u00f3n de la incertidumbre de CFD<\/li>\n<\/ul>\n<p>Para los usuarios de FIPY, puede integrar sustitutos en el nivel de flujo de trabajo: use el sustituto para seleccionar muchas combinaciones de par\u00e1metros y luego ejecutar fipy solo en los candidatos m\u00e1s prometedores.<\/p>\n<h2>Integraci\u00f3n con flujos de trabajo de simulaci\u00f3n<\/h2>\n<p>Los sustitutos no reemplazan las simulaciones; Los complementan. Patrones de integraci\u00f3n t\u00edpicos:<\/p>\n<ol>\n<li><strong>Pre-screening<\/strong>: elimina r\u00e1pidamente los dise\u00f1os deficientes antes de comprometerse con una simulaci\u00f3n costosa<\/li>\n<li><strong>Loops de optimizaci\u00f3n<\/strong>: use sustituto como funci\u00f3n objetivo econ\u00f3mica; Validar peri\u00f3dicamente con simulaci\u00f3n directa<\/li>\n<li><strong>Propagaci\u00f3n de incertidumbre<\/strong>: ejecute sustituto miles de veces para evaluar las distribuciones de salida<\/li>\n<li><strong>Control en tiempo real<\/strong>: despliegue sustituto en sistemas integrados o herramientas interactivas<\/li>\n<\/ol>\n<p><strong>Ejemplo<\/strong>: en <a href=\"\/real-world-applications-of-computational-materials-science\/\">materiales science<\/a>, puede entrenar a un sustituto para predecir la evoluci\u00f3n de campo de fase dados los par\u00e1metros materiales. \u00daselo para explorar r\u00e1pidamente el espacio de par\u00e1metros, luego verifique los puntos \u00f3ptimos con simulaciones de Fipy completas.<\/p>\n<h2>Caso de estudio: dise\u00f1o de metamaterial con aprendizaje activo<\/h2>\n<p>Una demostraci\u00f3n convincente proviene del dise\u00f1o metamaterial [8]. Los investigadores necesitaban optimizar la estructura de la banda de un cristal fot\u00f3nico, una tarea que requiere cientos de costosas simulaciones electromagn\u00e9ticas. Utilizaron un sustituto de proceso gaussiano con aprendizaje activo:<\/p>\n<ol>\n<li>Comenz\u00f3 con 50 ejecuciones de simulaci\u00f3n<\/li>\n<li>utiliz\u00f3 la varianza predictiva del m\u00e9dico de cabecera para identificar d\u00f3nde los datos adicionales reducir\u00edan m\u00e1s la incertidumbre<\/li>\n<li>Ejecut\u00f3 150 simulaciones m\u00e1s espec\u00edficas<\/li>\n<li>Logr\u00f3 suplente preciso despu\u00e9s de solo 200 carreras totales (vs. 500+ con muestreo uniforme)<\/li>\n<li>Usado sustituto para explorar m\u00e1s de 10,000 candidatos de dise\u00f1o al instante<\/li>\n<\/ol>\n<p>El resultado: descubrimiento de nuevas configuraciones de banda prohibida que habr\u00edan sido no factibles solo con la simulaci\u00f3n directa.<\/p>\n<h2>Gu\u00edas relacionadas<\/h2>\n<ul>\n<li><a href=\"\/managing-large-scale-pde-problems-strategies-solvers-and-hpc-case-studies\/\">Gesti\u00f3n de problemas de PDE a gran escala<\/a> \u2013 Cuando las simulaciones se vuelven lo suficientemente costosas como para necesitar sustitutos<\/li>\n<li><a href=\"\/from-equations-to-simulations-the-modeling-pipeline\/\">de ecuaciones a simulaciones<\/a> \u2013 El flujo de trabajo de modelado completo<\/li>\n<li><a href=\"\/code-coupling-precice-multi-physics-python\/\">c\u00f3digo de acoplamiento con precisi\u00f3n<\/a> \u2013 contextos multif\u00edsicos donde los sustitutos pueden acelerar el acoplamiento<\/li>\n<li><a href=\"\/visualizing-simulation-results-effectively\/\">Visualizar los resultados de la simulaci\u00f3n de manera efectiva<\/a> \u2013 Presentar predicciones sustitutas e incertidumbre<\/li>\n<li><a href=\"\/reproducibility-and-its-role-in-debugging\/\">Reproducibilidad y su papel en la depuraci\u00f3n<\/a> \u2013 Mantenimiento de modelos sustitutos de confianza<\/li>\n<\/ul>\n<h2>Conclusi\u00f3n y pr\u00f3ximos pasos<\/h2>\n<p>Los sustitutos de aprendizaje autom\u00e1tico son herramientas poderosas para acelerar el descubrimiento cient\u00edfico y el dise\u00f1o de ingenier\u00eda. Transforman los problemas computacionalmente prohibitivos en los manejables al aprender el mapeo de las entradas a las salidas de un conjunto limitado de simulaciones de alta fidelidad.<\/p>\n<p><strong>Controls clave:<\/strong><\/p>\n<ul>\n<li>Use sustitutos cuando necesite muchas evaluaciones r\u00e1pidas; Stick con simulaci\u00f3n directa para la validaci\u00f3n final<\/li>\n<li>Elija el tipo de modelo basado en el tama\u00f1o de los datos, la dimensionalidad y la necesidad de estimaciones de incertidumbre<\/li>\n<li>Nunca se salte la validaci\u00f3n rigurosa y la cuantificaci\u00f3n de la incertidumbre<\/li>\n<li>Tratar a los sustitutos como componentes vivos que requieren mantenimiento a medida que evolucionan las simulaciones<\/li>\n<\/ul>\n<p><strong>Cu\u00e1ndo evitar sustitutos<\/strong>: si su simulaci\u00f3n ya es r\u00e1pida (&lt; pocos segundos), no tiene presupuesto de datos de entrenamiento, o est\u00e1 explorando reg\u00edmenes f\u00edsicos completamente nuevos donde la extrapolaci\u00f3n no ser\u00eda confiable.<\/p>\n<p><strong>\u00bfListo para acelerar sus simulaciones?<\/strong> MatForge ofrece consultas sobre la creaci\u00f3n de modelos sustitutos de confianza adaptados a sus flujos de trabajo espec\u00edficos basados en PDE. Cont\u00e1ctenos para discutir su proyecto.<\/p>\n<hr>\n<h2>referencias<\/h2>\n<p>[1] Forrester, A., Sobester, A., &amp; Keane, A. (2008). Dise\u00f1o de ingenier\u00eda mediante modelado de subrogaci\u00f3n: una gu\u00eda pr\u00e1ctica. Wiley.<\/p>\n<p>[2] \u00abSubrogaci\u00f3n de aprendizaje autom\u00e1tico vs simulaci\u00f3n directa\u00bb. Descripci\u00f3n general de la IA, B\u00fasqueda de Google, 2025.<\/p>\n<p>[3] Franco, N.R., et al. (2023). \u00abModelos sustitutos basados en el aprendizaje profundo para PDE parametrizados: manejo de la variabilidad geom\u00e9trica a trav\u00e9s de redes neuronales gr\u00e1ficas\u00bb. <em>Caos: una revista interdisciplinaria de ciencia no lineal<\/em>, 33(12). <a href=\"https:\/\/pubs.aip.org\/aip\/cha\/article\/33\/12\/123121\/2929382\/Deep-learning-based-surrogate-models-for\">https:\/\/pubs.aip.org\/aip\/cha\/article\/33\/12\/123121\/2929382\/deep-learning-based-surrogate-models-for<\/a><\/p>\n<p>[4] Marrel, A., et al. (2024). \u00abModelado probabil\u00edstico de sustitutos por proceso gaussiano\u00bb. <em>Revista de Tecnolog\u00eda de Calidad<\/em>. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/S0951832024001686\">https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/s0951832024001686<\/a><\/p>\n<p>[5] Chen, X., et al. (2021). \u00abUn modelo sustituto mejorado libre de datos para resolver ecuaciones diferenciales parciales\u00bb. <em>Informes cient\u00edficos<\/em>, 11, 19837. <a href=\"https:\/\/www.nature.com\/articles\/s41598-021-99037-x\">https:\/\/www.nature.com\/articles\/s41598-021-99037-x<\/a><\/p>\n<p>[6] Sudret, B. (2023). \u00abModelos sustitutos para la cuantificaci\u00f3n de la incertidumbre: una descripci\u00f3n general\u00bb. <em>Simtech<\/em>, Universidad de Stuttgart. <a href=\"https:\/\/www.simtech.uni-stuttgart.de\/exc\/research\/pn\/pn6\/pn6-2\/\">https:\/\/www.simtech.uni-stuttgart.de\/exc\/research\/pn\/pn6\/pn6-2\/<\/a><\/p>\n<p>[7] Gopakumar, V., et al. (2024). \u00abCuantificaci\u00f3n de incertidumbre de modelos sustitutos utilizando predicci\u00f3n conforme\u00bb. <em>ArXiv:2408.09881<\/em>. <a href=\"https:\/\/arxiv.org\/abs\/2408.09881\">https:\/\/arxiv.org\/abs\/2408.09881<\/a><\/p>\n<p>[8] Pestourie, R., et al. (2020). \u00abAprendizaje activo de sustitutos profundos para PDE: aplicaci\u00f3n a problemas inversos y de confiabilidad\u00bb. <em>NPJ Materiales computacionales<\/em>, 6, 149. <a href=\"https:\/\/www.nature.com\/articles\/s41524-020-00431-2\">https:\/\/www.nature.com\/articles\/s41524-020-00431-2<\/a><\/p>\n<p>[9] Zahura, F.T., et al. (2020). \u00abEntrenamiento de modelos sustitutos de aprendizaje autom\u00e1tico de un modelo basado en la f\u00edsica de alta fidelidad\u00bb. <em>Investigaci\u00f3n de recursos h\u00eddricos<\/em>, 56(6). <a href=\"https:\/\/agupubs.onlinelibrary.wiley.com\/doi\/full\/10.1029\/2019WR027038\"> https:\/\/agupubs.onlinelibrary.wiley.com\/doi\/full\/10.1029\/2019wr027038<\/a><\/p>\n<p>[10] R\u00edos, T., et al. (2024). \u00abModelado sustituto asistido por modelos de lenguaje grande\u00bb. <em>Instituto de Investigaci\u00f3n Honda<\/em>. <a href=\"https:\/\/www.honda-ri.de\/pubs\/pdf\/5711.pdf\">https:\/\/www.honda-ri.de\/pubs\/pdf\/5711.pdf<\/a><\/p>\n<p>[11] Lones, MA (2024). \u00abEvitar las trampas comunes del aprendizaje autom\u00e1tico\u00bb. <em>Journal of Machine Learning Research<\/em>, 25(89). <a href=\"https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC11573893\/\">https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/pmc11573893\/<\/a><\/p>\n<p>[12] \u00abCuantificaci\u00f3n de incertidumbre y sustitutos de aprendizaje autom\u00e1tico\u00bb. <em>Ruhr-Universit\u00e4t Bochum<\/em>, 2024. <a href=\"https:\/\/www.subsurf.ruhr-uni-bochum.de\/sfe\/mam\/se-o-17_uncertainty_quantification_in_fe_analyses_with_surrogate_modeling.pdf\">https:\/\/www.subsurf.ruhr-uni-bochum.de\/sfe\/mam\/se-o-17_uncertainty_quantification_in_fe_analyses_with_surrogate_modeling.pdf<\/a><\/p>\n<p>[13] Nguyen, B.D., et al. (2024). \u00abModelos sustitutos eficientes para simulaciones de ciencia de materiales\u00bb. <em>Materiales y dise\u00f1o<\/em>, 235. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S2666827024000203\">https:\/\/www.sciencedirect.com\/science\/article\/pii\/s266827024000203<\/a><\/p>\n<p>[14] \u00abCuantificaci\u00f3n de incertidumbre para la computaci\u00f3n cient\u00edfica\u00bb. <em>Escuela de Invierno Geilo<\/em>, ETH Z\u00fcrich, 2026. <a href=\"https:\/\/www.sintef.no\/projectweb\/geilowinterschool\/2026-uncertainty-quantification\/\">https:\/\/www.sintef.no\/projectweb\/geilowinterschool\/2026-Uncertaty-Quantification\/<\/a><\/p>\n","protected":false,"raw":"<p>Los sustitutos de aprendizaje autom\u00e1tico (ML) son aproximaciones r\u00e1pidas basadas en datos de simulaciones cient\u00edficas costosas. Permiten predicciones casi en tiempo real, exploraci\u00f3n masiva del espacio de dise\u00f1o y cuantificaci\u00f3n de incertidumbre que ser\u00eda imposible solo con la simulaci\u00f3n directa. Use sustitutos cuando necesite optimizaci\u00f3n iterativa o miles de evaluaciones; Siga con la simulaci\u00f3n directa para la validaci\u00f3n final o cuando la alta precisi\u00f3n no sea negociable. Esta gu\u00eda cubre los fundamentos, los tipos, el flujo de trabajo de implementaci\u00f3n y las trampas cr\u00edticas que se deben evitar.<\/p>\n<h2>Introducci\u00f3n: el cuello de botella computacional<\/h2>\n<p>Las simulaciones cient\u00edficas, ya sea para resolver ecuaciones diferenciales parciales (PDE) con FIPY, ejecutar an\u00e1lisis de elementos finitos o modelar la din\u00e1mica de fluidos, son computacionalmente costosos. Una sola simulaci\u00f3n de alta fidelidad puede llevar horas, d\u00edas o incluso semanas en hardware potente. Cuando necesita explorar cientos de variaciones de dise\u00f1o, realizar an\u00e1lisis de sensibilidad o ejecutar cuantificaci\u00f3n de incertidumbre con miles de muestras, el costo computacional se vuelve prohibitivo.<\/p>\n<p>Aqu\u00ed es donde entran en juego sustitutos de aprendizaje autom\u00e1tico.<\/p>\n<h2>\u00bfQu\u00e9 son los sustitutos de aprendizaje autom\u00e1tico?<\/h2>\n<p>Un <strong>modelo sustituto<\/strong> (o metamodelo) es un modelo r\u00e1pido y aproximado que imita el comportamiento de entrada-salida de una simulaci\u00f3n costosa compleja [1]. En lugar de resolver las ecuaciones completas basadas en la f\u00edsica cada vez, entrenas un modelo de aprendizaje autom\u00e1tico en un conjunto limitado de resultados de simulaci\u00f3n y luego lo usas para hacer predicciones instant\u00e1neas para nuevas entradas.<\/p>\n<p>Pi\u00e9nsalo de esta manera:<\/p>\n<ul>\n<li><strong>Simulaci\u00f3n directa<\/strong>: alta precisi\u00f3n, alto costo, basado en la f\u00edsica<\/li>\n<li><strong>ml sustituto<\/strong>: buena aproximaci\u00f3n, coste casi cero, basado en datos<\/li>\n<\/ul>\n<p>La compensaci\u00f3n es clara: los sustitutos sacrifican cierta precisi\u00f3n por ganancias de velocidad masivas, lo que permite tareas que de otro modo ser\u00edan imposibles.<\/p>\n<h3>Terminolog\u00eda clave<\/h3>\n<ul>\n<li><strong>Datos de entrenamiento<\/strong>: un conjunto de par\u00e1metros de entrada y salidas de simulaci\u00f3n correspondientes que se utilizan para ajustarse al sustituto.<\/li>\n<li><strong>Modelo sustituto<\/strong>: el modelo ML que se aproxima a la simulaci\u00f3n.<\/li>\n<li><strong>Aprendizaje activo<\/strong>: seleccionando estrat\u00e9gicamente nuevos puntos de simulaci\u00f3n para mejorar la mayor\u00eda del sustituto.<\/li>\n<li><strong>Cuantificaci\u00f3n de incertidumbre (UQ)<\/strong>: estimaci\u00f3n de los l\u00edmites de confianza o de error de las predicciones sustitutas.<\/li>\n<\/ul>\n<h2>Cu\u00e1ndo usar ML Sustitutos vs Simulaci\u00f3n directa<\/h2>\n<p>No todos los problemas se benefician del modelado sustituto. La matriz de decisi\u00f3n a continuaci\u00f3n resume cu\u00e1ndo elegir cada enfoque [2]:<\/p>\n<table>\n<thead>\n<tr>\n<th>Caracter\u00edstica<\/th>\n<th>Sustituto de aprendizaje autom\u00e1tico<\/th>\n<th>Simulaci\u00f3n directa<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>velocidad<\/strong><\/td>\n<td>Instant\u00e1neo \/ en tiempo real<\/td>\n<td>Lento (horas\/d\u00edas)<\/td>\n<\/tr>\n<tr>\n<td><strong>Exactitud<\/strong><\/td>\n<td>buena aproximaci\u00f3n<\/td>\n<td>Alto \/ Verdad de tierra<\/td>\n<\/tr>\n<tr>\n<td><strong>Costo<\/strong><\/td>\n<td>Bajo (despu\u00e9s del entrenamiento)<\/td>\n<td>Elevado<\/td>\n<\/tr>\n<tr>\n<td><strong>Requisito de datos<\/strong><\/td>\n<td>Alto (para entrenamiento)<\/td>\n<td>Ninguno (basado en la f\u00edsica)<\/td>\n<\/tr>\n<tr>\n<td><strong>Lo mejor para<\/strong><\/td>\n<td>Dise\u00f1o iterativo, optimizaci\u00f3n<\/td>\n<td>Validaci\u00f3n, Nueva F\u00edsica<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><strong>Utilice sustitutos de ML cuando:<\/strong><\/p>\n<ul>\n<li>Alto costo de c\u00e1lculo (horas\/d\u00edas por ejecuci\u00f3n)<\/li>\n<li>Dise\u00f1o\/optimizaci\u00f3n iterativa (100s-1000s de evaluaciones)<\/li>\n<li>Aplicaciones de interacci\u00f3n en tiempo real o orientadas al usuario<\/li>\n<li>Cuantificaci\u00f3n de la incertidumbre (Monte Carlo necesita carreras de 1000)<\/li>\n<\/ul>\n<p><strong>Utilice la simulaci\u00f3n directa cuando:<\/strong><\/p>\n<ul>\n<li>Precisi\u00f3n m\u00e1xima requerida (validaci\u00f3n final, certificaciones de seguridad)<\/li>\n<li>An\u00e1lisis \u00fanicos (costo de los datos de entrenamiento y beneficio)<\/li>\n<li>Nuevos reg\u00edmenes f\u00edsicos sin datos de entrenamiento<\/li>\n<li>Certificaci\u00f3n regulatoria o de seguridad<\/li>\n<\/ul>\n<p><strong>L\u00ednea inferior<\/strong>: cree un sustituto si necesita evaluar la simulaci\u00f3n muchas veces con entradas ligeramente diferentes. Use simulaci\u00f3n directa para verificaciones finales, escenarios novedosos o cuando la simulaci\u00f3n ya sea lo suficientemente r\u00e1pida.<\/p>\n<h2>Tipos de modelos de subrogaci\u00f3n de aprendizaje autom\u00e1tico<\/h2>\n<p>Varias arquitecturas de ML se utilizan com\u00fanmente para el modelado sustituto, cada una con fortalezas y compensaciones [3]:<\/p>\n<h3>1. Procesos Gaussianos (Kriging)<\/h3>\n<p>Los procesos gaussianos (GPS) son una opci\u00f3n natural para los sustitutos cient\u00edficos porque proporcionan <strong>predicciones probabil\u00edsticas<\/strong>, no solo un valor, sino tambi\u00e9n una estimaci\u00f3n de incertidumbre [4]. Esto es invaluable para el dise\u00f1o consciente del riesgo y el aprendizaje activo.<\/p>\n<p><strong>Pros:<\/strong><\/p>\n<ul>\n<li>Cuantificaci\u00f3n de incertidumbre incorporada<\/li>\n<li>Funciona bien con conjuntos de datos peque\u00f1os a medianos (&lt; 10.000 puntos)<\/li>\n<li>Robusto al sobreajuste con el kernel de covarianza adecuado<\/li>\n<\/ul>\n<p><strong>Contras:<\/strong><\/p>\n<ul>\n<li>Escala deficientemente con el tama\u00f1o de los datos de entrenamiento (inferencia O(n\u00b3))<\/li>\n<li>Limitado a dimensiones de entrada de baja a moderada (&lt; 50)<\/li>\n<\/ul>\n<p><strong>Lo mejor para<\/strong>: optimizaci\u00f3n del dise\u00f1o de ingenier\u00eda, espacios de par\u00e1metros peque\u00f1os, aplicaciones donde los l\u00edmites de incertidumbre son cr\u00edticos.<\/p>\n<h3>2. Redes neuronales y aprendizaje profundo<\/h3>\n<p>Las redes neuronales, especialmente las arquitecturas profundas, sobresalen con <strong>conjuntos de datos grandes<\/strong> y <strong>Entradas de alta dimensi\u00f3n<\/strong> [5]. Los avances recientes como los operadores neurales de Fourier (FNOS) y las redes neuronales informadas en la f\u00edsica (PINN) pueden incluso aprender a resolver familias enteras de PDE.<\/p>\n<p><strong>Pros:<\/strong><\/p>\n<ul>\n<li>Inferencia r\u00e1pida despu\u00e9s del entrenamiento<\/li>\n<li>Maneja entradas de alta dimensi\u00f3n y relaciones complejas<\/li>\n<li>Puede incorporar restricciones de f\u00edsica (PIN)<\/li>\n<\/ul>\n<p><strong>Contras:<\/strong><\/p>\n<ul>\n<li>Requiere datos de entrenamiento sustanciales<\/li>\n<li>naturaleza de caja negra; La cuantificaci\u00f3n de la incertidumbre necesita t\u00e9cnicas adicionales<\/li>\n<li>Riesgo de sobreajuste sin regularizaci\u00f3n cuidadosa<\/li>\n<\/ul>\n<p><strong>Lo mejor para<\/strong>: problemas a gran escala, datos similares a im\u00e1genes (por ejemplo, salidas de campo), aprendizaje del operador (par\u00e1metros de asignaci\u00f3n a campos de soluci\u00f3n completos).<\/p>\n<h3>3. Expansi\u00f3n del caos polin\u00f3mico (PCE)<\/h3>\n<p>PCE representa la salida de simulaci\u00f3n como una expansi\u00f3n espectral en t\u00e9rminos de polinomios ortogonales de las entradas aleatorias [6]. Es particularmente adecuado para <strong> distribuciones de entrada probabil\u00edsticas<\/strong> y proporciona expresiones anal\u00edticas para los momentos.<\/p>\n<p><strong>Pros:<\/strong><\/p>\n<ul>\n<li>Eficiente para dimensiones de entrada moderadas<\/li>\n<li>Acceso directo a momentos estad\u00edsticos (media, varianza)<\/li>\n<li>Fundaci\u00f3n matem\u00e1tica rigurosa<\/li>\n<\/ul>\n<p><strong>Contras:<\/strong><\/p>\n<ul>\n<li>asume una dependencia suave de las entradas<\/li>\n<li>Maldici\u00f3n de dimensionalidad m\u00e1s all\u00e1 de ~20 variables<\/li>\n<li>Requiere construcci\u00f3n de base especializada<\/li>\n<\/ul>\n<p><strong>Lo mejor para<\/strong>: propagaci\u00f3n de la incertidumbre, an\u00e1lisis de sensibilidad cuando las entradas son independientes y se conocen distribuciones.<\/p>\n<h3>4. Otros m\u00e9todos<\/h3>\n<ul>\n<li><strong>Cuadr\u00edculas escasas<\/strong>: para problemas de baja dimensi\u00f3n con simulaciones costosas<\/li>\n<li><strong>Bosques aleatorios \/ Impulso de gradiente<\/strong>: para datos tabulares con respuestas no suaves<\/li>\n<li><strong>Soporte de m\u00e1quinas vectoriales<\/strong>: para conjuntos de datos m\u00e1s peque\u00f1os con m\u00e1rgenes claros<\/li>\n<\/ul>\n<h2>Construyendo un sustituto: el flujo de trabajo<\/h2>\n<p>La creaci\u00f3n de un sustituto de confianza implica varios pasos cr\u00edticos [7]:<\/p>\n<h3>Paso 1: Definir el espacio de entrada<\/h3>\n<p>Especifique el rango y la distribuci\u00f3n de los par\u00e1metros de entrada que desea que cubra el sustituto. Sea realista: los sustitutos no pueden extrapolar de manera confiable m\u00e1s all\u00e1 de la regi\u00f3n de datos de entrenamiento.<\/p>\n<p><strong>Error com\u00fan<\/strong>: Definir un espacio de entrada demasiado amplio \"por si acaso\". los sustitutos interpolan; No se extrapolan bien. Es mejor entrenar a m\u00faltiples sustitutos especializados que uno general que adivine salvajemente fuera de su entrenamiento.<\/p>\n<h3>Paso 2: Generar datos de entrenamiento<\/h3>\n<p>Ejecute la simulaci\u00f3n de alta fidelidad en un conjunto de puntos de entrada muestreados. La calidad y la cobertura de este conjunto de datos determinan la exactitud del sustituto.<\/p>\n<p><strong>Estrategias de muestreo:<\/strong><\/p>\n<ul>\n<li><strong>Muestreo de hipercubo latino (LHS)<\/strong>: buenas propiedades de llenado de espacio para dimensiones moderadas<\/li>\n<li><strong>Secuencias SOBOL<\/strong>: secuencias de baja discrepancia para una cobertura uniforme<\/li>\n<li><strong>Aprendizaje activo<\/strong>: agrega puntos de forma iterativa donde el sustituto es m\u00e1s incierto (reduce las simulaciones totales necesarias)<\/li>\n<\/ul>\n<p><strong>Advertencia<\/strong>: La generaci\u00f3n de datos de capacitaci\u00f3n suele ser el cuello de botella: \u00a1es caro! El aprendizaje activo puede reducir el n\u00famero de simulaciones requeridas en un 50% o m\u00e1s [8].<\/p>\n<h3>Paso 3: Elige y entrena al modelo<\/h3>\n<p>Seleccione un tipo de sustituto basado en el tama\u00f1o del problema, el volumen de datos y la necesidad de estimaciones de incertidumbre. Entrene en el conjunto de datos, utilizando la validaci\u00f3n cruzada para ajustar los hiperpar\u00e1metros.<\/p>\n<p><strong>Consideraciones clave:<\/strong><\/p>\n<ul>\n<li>Normalizar entradas y salidas<\/li>\n<li>Dividir datos en conjuntos de entrenamiento\/validaci\u00f3n\/prueba<\/li>\n<li>Monitor de sobreajuste (exactitud de entrenamiento perfecta, validaci\u00f3n deficiente)<\/li>\n<\/ul>\n<h3>Paso 4: Validar el sustituto<\/h3>\n<p>Nunca conf\u00edes en un sustituto sin una validaci\u00f3n rigurosa [9]. Usa m\u00e9tricas como:<\/p>\n<ul>\n<li><strong>Puntuaci\u00f3n R\u00b2<\/strong> (coeficiente de determinaci\u00f3n)<\/li>\n<li><strong>Error cuadr\u00e1tico medio (RMSE)<\/strong><\/li>\n<li><strong>Error absoluto medio (MAE)<\/strong><\/li>\n<li><strong>Error absoluto m\u00e1ximo<\/strong> (falla catastr\u00f3fica)<\/li>\n<\/ul>\n<p>Adem\u00e1s, trace los residuos y la predicci\u00f3n frente a los valores reales. Busque sesgo sistem\u00e1tico o heterocedasticidad.<\/p>\n<p><strong>Pr\u00e1ctica esencial<\/strong>: Mantenga un conjunto de pruebas de simulaci\u00f3n retenido que nunca se usaron durante el entrenamiento o la sintonizaci\u00f3n de hiperpar\u00e1metros. Esto da una estimaci\u00f3n imparcial del rendimiento del mundo real.<\/p>\n<h3>Paso 5: Implementar con precauci\u00f3n<\/h3>\n<p>Una vez validado, el sustituto se puede utilizar para la exploraci\u00f3n r\u00e1pida. Sin embargo:<\/p>\n<ul>\n<li><strong>Nunca use un sustituto fuera de su dominio de entrada validado<\/strong><\/li>\n<li><strong>Verificar siempre las predicciones cr\u00edticas con una simulaci\u00f3n directa<\/strong> (especialmente para los dise\u00f1os finales)<\/li>\n<li><strong>Monitor de degradaci\u00f3n<\/strong> con el tiempo, ya que el sistema subyacente puede desviarse<\/li>\n<\/ul>\n<h2>Cuantificaci\u00f3n de la incertidumbre: por qu\u00e9 y c\u00f3mo<\/h2>\n<p>Las predicciones sustitutas sin l\u00edmites de incertidumbre son peligrosas: parecen precisas pero pueden ser muy equivocadas [10]. La cuantificaci\u00f3n de incertidumbre (UQ) le dice cu\u00e1nto debe confiar en cada predicci\u00f3n.<\/p>\n<h3>Fuentes de incertidumbre<\/h3>\n<ol>\n<li><strong>Incertidumbre aleatoria<\/strong>: aleatoriedad inherente en las entradas (por ejemplo, propiedades del material dentro de los rangos de tolerancia)<\/li>\n<li><strong>Incertidumbre epist\u00e9mica<\/strong>: falta de conocimiento debido a los datos de entrenamiento limitados; Reduce a medida que agrega m\u00e1s datos<\/li>\n<\/ol>\n<p>Un buen modelo sustituto cuantifica ambos. Los procesos gaussianos proporcionan esto naturalmente a trav\u00e9s de la varianza predictiva. Para redes neuronales, puede utilizar:<\/p>\n<ul>\n<li><strong>Abandono de Monte Carlo<\/strong>: M\u00faltiples pases delanteros con abandono habilitado para obtener una distribuci\u00f3n predictiva<\/li>\n<li><strong>Ensambles profundos<\/strong>: entrenar m\u00faltiples redes y utilizar la varianza de predicci\u00f3n<\/li>\n<li><strong>Predicci\u00f3n conformal<\/strong>: Garant\u00edas de incertidumbre libre de distribuci\u00f3n [11]<\/li>\n<\/ul>\n<h3>Aprendizaje activo con incertidumbre<\/h3>\n<p>El aprendizaje activo utiliza la propia incertidumbre del sustituto para decidir d\u00f3nde ejecutar la pr\u00f3xima simulaci\u00f3n costosa [12]. La estrategia general:<\/p>\n<ol>\n<li>Entrenar sustitutos iniciales en un conjunto de datos peque\u00f1o<\/li>\n<li>Identifique las regiones donde la incertidumbre de predicci\u00f3n es m\u00e1s alta (o donde es probable que haya fallas)<\/li>\n<li>Ejecutar simulaciones en esos puntos<\/li>\n<li>Vuelva a entrenar con conjunto de datos aumentado<\/li>\n<li>repetir hasta que la incertidumbre sea aceptable o el presupuesto agotado<\/li>\n<\/ol>\n<p>Este enfoque puede lograr la misma precisi\u00f3n con muchas menos simulaciones que el muestreo uniforme.<\/p>\n<h2>Trampas comunes y c\u00f3mo evitarlas<\/h2>\n<p>Basado en la literatura y la experiencia pr\u00e1ctica [13], aqu\u00ed est\u00e1n los errores m\u00e1s comunes:<\/p>\n<h3>1. Datos de capacitaci\u00f3n insuficientes o de mala calidad<\/h3>\n<p><strong>Problema<\/strong>: muy pocas ejecuciones de simulaci\u00f3n o muestras agrupadas en una regi\u00f3n, dejando grandes huecos en el espacio de entrada.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: use dise\u00f1os de relleno de espacio (LHS, SOBOL) y eval\u00fae la cobertura. El aprendizaje activo puede ayudar a apuntar a regiones dispersas. Como regla general, busque al menos 10 \u00d7 m\u00e1s puntos de entrenamiento que las dimensiones de entrada, aunque esto var\u00eda.<\/p>\n<h3>2. Extrapolaci\u00f3n m\u00e1s all\u00e1 del dominio de entrenamiento<\/h3>\n<p><strong>Problema<\/strong>: Usando el sustituto para combinaciones de entrada lejos de cualquier punto de entrenamiento.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: Defina l\u00edmites operativos claros. Implemente la detecci\u00f3n de \"fuera de distribuci\u00f3n\" (por ejemplo, distancia al punto de entrenamiento m\u00e1s cercano, umbrales de varianza de predicci\u00f3n). Devuelve una advertencia o ni\u00e9gate a predecir cu\u00e1ndo las entradas est\u00e1n fuera del rango validado.<\/p>\n<h3>3. Ignorar la cuantificaci\u00f3n de la incertidumbre<\/h3>\n<p><strong>Problema<\/strong>: Tratar las predicciones sustitutas como verdad b\u00e1sica.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: Siempre informe los intervalos de predicci\u00f3n. En la optimizaci\u00f3n, use criterios conservadores (p. ej., menor l\u00edmite de confianza) para evitar la falsa confianza.<\/p>\n<h3>4. Sobreajuste de los datos de entrenamiento<\/h3>\n<p><strong>Problema<\/strong>: el sustituto memoriza los puntos de entrenamiento pero no se generaliza.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: use modelos de validaci\u00f3n cruzada, regularizaci\u00f3n y simples siempre que sea posible. Para las redes neuronales, use abandono, decaimiento de peso y parada temprana. Supervise el error de validaci\u00f3n, no solo el error de entrenamiento.<\/p>\n<h3>5. Descuidar el mantenimiento del modelo<\/h3>\n<p><strong>Problema<\/strong>: entrenar una vez y olvidar, incluso cuando cambia el c\u00f3digo de simulaci\u00f3n subyacente o la f\u00edsica.<\/p>\n<p><strong>Soluci\u00f3n<\/strong>: trate a los sustitutos como cualquier software de investigaci\u00f3n: realice un seguimiento de las versiones, vuelva a entrenarse cuando se realicen actualizaciones de simulaci\u00f3n y documente las fuentes de datos. Consulte nuestra gu\u00eda sobre <a href=\"\/tracking-long-term-technical-debt-in-research-software\/\">seguimiento de la deuda t\u00e9cnica a largo plazo en el software de investigaci\u00f3n<\/a> para conocer las mejores pr\u00e1cticas.<\/p>\n<h2>Herramientas y marcos<\/h2>\n<p>Varias bibliotecas de c\u00f3digo abierto admiten modelado sustituto y uq [14]:<\/p>\n<ul>\n<li><strong>OpenTurns<\/strong>: una biblioteca completa para el an\u00e1lisis de incertidumbre y el metamodelado (C++\/Python)<\/li>\n<li><strong>UQLAB<\/strong>: Marco basado en MATLAB para UQ y Modelado de Surrogaci\u00f3n<\/li>\n<li><strong>Scikit-learn<\/strong>: Biblioteca Python con procesos gaussianos, bosques aleatorios y m\u00e1s<\/li>\n<li><strong>gpy<\/strong> \/ <strong>gpyTorch<\/strong>: marcos de procesos gaussianos para Python<\/li>\n<li><strong>PyTorch<\/strong> \/ <strong>tensorflow<\/strong>: para sustitutos de redes neuronales personalizadas<\/li>\n<li><strong>UQ4CFD<\/strong>: Plataforma especializada para la cuantificaci\u00f3n de la incertidumbre de CFD<\/li>\n<\/ul>\n<p>Para los usuarios de FIPY, puede integrar sustitutos en el nivel de flujo de trabajo: use el sustituto para seleccionar muchas combinaciones de par\u00e1metros y luego ejecutar fipy solo en los candidatos m\u00e1s prometedores.<\/p>\n<h2>Integraci\u00f3n con flujos de trabajo de simulaci\u00f3n<\/h2>\n<p>Los sustitutos no reemplazan las simulaciones; Los complementan. Patrones de integraci\u00f3n t\u00edpicos:<\/p>\n<ol>\n<li><strong>Pre-screening<\/strong>: elimina r\u00e1pidamente los dise\u00f1os deficientes antes de comprometerse con una simulaci\u00f3n costosa<\/li>\n<li><strong>Loops de optimizaci\u00f3n<\/strong>: use sustituto como funci\u00f3n objetivo econ\u00f3mica; Validar peri\u00f3dicamente con simulaci\u00f3n directa<\/li>\n<li><strong>Propagaci\u00f3n de incertidumbre<\/strong>: ejecute sustituto miles de veces para evaluar las distribuciones de salida<\/li>\n<li><strong>Control en tiempo real<\/strong>: despliegue sustituto en sistemas integrados o herramientas interactivas<\/li>\n<\/ol>\n<p><strong>Ejemplo<\/strong>: en <a href=\"\/real-world-applications-of-computational-materials-science\/\">materiales science<\/a>, puede entrenar a un sustituto para predecir la evoluci\u00f3n de campo de fase dados los par\u00e1metros materiales. \u00daselo para explorar r\u00e1pidamente el espacio de par\u00e1metros, luego verifique los puntos \u00f3ptimos con simulaciones de Fipy completas.<\/p>\n<h2>Caso de estudio: dise\u00f1o de metamaterial con aprendizaje activo<\/h2>\n<p>Una demostraci\u00f3n convincente proviene del dise\u00f1o metamaterial [8]. Los investigadores necesitaban optimizar la estructura de la banda de un cristal fot\u00f3nico, una tarea que requiere cientos de costosas simulaciones electromagn\u00e9ticas. Utilizaron un sustituto de proceso gaussiano con aprendizaje activo:<\/p>\n<ol>\n<li>Comenz\u00f3 con 50 ejecuciones de simulaci\u00f3n<\/li>\n<li>utiliz\u00f3 la varianza predictiva del m\u00e9dico de cabecera para identificar d\u00f3nde los datos adicionales reducir\u00edan m\u00e1s la incertidumbre<\/li>\n<li>Ejecut\u00f3 150 simulaciones m\u00e1s espec\u00edficas<\/li>\n<li>Logr\u00f3 suplente preciso despu\u00e9s de solo 200 carreras totales (vs. 500+ con muestreo uniforme)<\/li>\n<li>Usado sustituto para explorar m\u00e1s de 10,000 candidatos de dise\u00f1o al instante<\/li>\n<\/ol>\n<p>El resultado: descubrimiento de nuevas configuraciones de banda prohibida que habr\u00edan sido no factibles solo con la simulaci\u00f3n directa.<\/p>\n<h2>Gu\u00edas relacionadas<\/h2>\n<ul>\n<li><a href=\"\/managing-large-scale-pde-problems-strategies-solvers-and-hpc-case-studies\/\">Gesti\u00f3n de problemas de PDE a gran escala<\/a> \u2013 Cuando las simulaciones se vuelven lo suficientemente costosas como para necesitar sustitutos<\/li>\n<li><a href=\"\/from-equations-to-simulations-the-modeling-pipeline\/\">de ecuaciones a simulaciones<\/a> \u2013 El flujo de trabajo de modelado completo<\/li>\n<li><a href=\"\/code-coupling-precice-multi-physics-python\/\">c\u00f3digo de acoplamiento con precisi\u00f3n<\/a> \u2013 contextos multif\u00edsicos donde los sustitutos pueden acelerar el acoplamiento<\/li>\n<li><a href=\"\/visualizing-simulation-results-effectively\/\">Visualizar los resultados de la simulaci\u00f3n de manera efectiva<\/a> \u2013 Presentar predicciones sustitutas e incertidumbre<\/li>\n<li><a href=\"\/reproducibility-and-its-role-in-debugging\/\">Reproducibilidad y su papel en la depuraci\u00f3n<\/a> \u2013 Mantenimiento de modelos sustitutos de confianza<\/li>\n<\/ul>\n<h2>Conclusi\u00f3n y pr\u00f3ximos pasos<\/h2>\n<p>Los sustitutos de aprendizaje autom\u00e1tico son herramientas poderosas para acelerar el descubrimiento cient\u00edfico y el dise\u00f1o de ingenier\u00eda. Transforman los problemas computacionalmente prohibitivos en los manejables al aprender el mapeo de las entradas a las salidas de un conjunto limitado de simulaciones de alta fidelidad.<\/p>\n<p><strong>Controls clave:<\/strong><\/p>\n<ul>\n<li>Use sustitutos cuando necesite muchas evaluaciones r\u00e1pidas; Stick con simulaci\u00f3n directa para la validaci\u00f3n final<\/li>\n<li>Elija el tipo de modelo basado en el tama\u00f1o de los datos, la dimensionalidad y la necesidad de estimaciones de incertidumbre<\/li>\n<li>Nunca se salte la validaci\u00f3n rigurosa y la cuantificaci\u00f3n de la incertidumbre<\/li>\n<li>Tratar a los sustitutos como componentes vivos que requieren mantenimiento a medida que evolucionan las simulaciones<\/li>\n<\/ul>\n<p><strong>Cu\u00e1ndo evitar sustitutos<\/strong>: si su simulaci\u00f3n ya es r\u00e1pida (&lt; pocos segundos), no tiene presupuesto de datos de entrenamiento, o est\u00e1 explorando reg\u00edmenes f\u00edsicos completamente nuevos donde la extrapolaci\u00f3n no ser\u00eda confiable.<\/p>\n<p><strong>\u00bfListo para acelerar sus simulaciones?<\/strong> MatForge ofrece consultas sobre la creaci\u00f3n de modelos sustitutos de confianza adaptados a sus flujos de trabajo espec\u00edficos basados en PDE. Cont\u00e1ctenos para discutir su proyecto.<\/p>\n<hr>\n<h2>referencias<\/h2>\n<p>[1] Forrester, A., Sobester, A., &amp; Keane, A. (2008). Dise\u00f1o de ingenier\u00eda mediante modelado de subrogaci\u00f3n: una gu\u00eda pr\u00e1ctica. Wiley.<\/p>\n<p>[2] \"Subrogaci\u00f3n de aprendizaje autom\u00e1tico vs simulaci\u00f3n directa\". Descripci\u00f3n general de la IA, B\u00fasqueda de Google, 2025.<\/p>\n<p>[3] Franco, N.R., et al. (2023). \"Modelos sustitutos basados en el aprendizaje profundo para PDE parametrizados: manejo de la variabilidad geom\u00e9trica a trav\u00e9s de redes neuronales gr\u00e1ficas\". <em>Caos: una revista interdisciplinaria de ciencia no lineal<\/em>, 33(12). <a href=\"https:\/\/pubs.aip.org\/aip\/cha\/article\/33\/12\/123121\/2929382\/Deep-learning-based-surrogate-models-for\">https:\/\/pubs.aip.org\/aip\/cha\/article\/33\/12\/123121\/2929382\/deep-learning-based-surrogate-models-for<\/a><\/p>\n<p>[4] Marrel, A., et al. (2024). \"Modelado probabil\u00edstico de sustitutos por proceso gaussiano\". <em>Revista de Tecnolog\u00eda de Calidad<\/em>. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/S0951832024001686\">https:\/\/www.sciencedirect.com\/science\/article\/abs\/pii\/s0951832024001686<\/a><\/p>\n<p>[5] Chen, X., et al. (2021). \"Un modelo sustituto mejorado libre de datos para resolver ecuaciones diferenciales parciales\". <em>Informes cient\u00edficos<\/em>, 11, 19837. <a href=\"https:\/\/www.nature.com\/articles\/s41598-021-99037-x\">https:\/\/www.nature.com\/articles\/s41598-021-99037-x<\/a><\/p>\n<p>[6] Sudret, B. (2023). \"Modelos sustitutos para la cuantificaci\u00f3n de la incertidumbre: una descripci\u00f3n general\". <em>Simtech<\/em>, Universidad de Stuttgart. <a href=\"https:\/\/www.simtech.uni-stuttgart.de\/exc\/research\/pn\/pn6\/pn6-2\/\">https:\/\/www.simtech.uni-stuttgart.de\/exc\/research\/pn\/pn6\/pn6-2\/<\/a><\/p>\n<p>[7] Gopakumar, V., et al. (2024). \"Cuantificaci\u00f3n de incertidumbre de modelos sustitutos utilizando predicci\u00f3n conforme\". <em>ArXiv:2408.09881<\/em>. <a href=\"https:\/\/arxiv.org\/abs\/2408.09881\">https:\/\/arxiv.org\/abs\/2408.09881<\/a><\/p>\n<p>[8] Pestourie, R., et al. (2020). \"Aprendizaje activo de sustitutos profundos para PDE: aplicaci\u00f3n a problemas inversos y de confiabilidad\". <em>NPJ Materiales computacionales<\/em>, 6, 149. <a href=\"https:\/\/www.nature.com\/articles\/s41524-020-00431-2\">https:\/\/www.nature.com\/articles\/s41524-020-00431-2<\/a><\/p>\n<p>[9] Zahura, F.T., et al. (2020). \"Entrenamiento de modelos sustitutos de aprendizaje autom\u00e1tico de un modelo basado en la f\u00edsica de alta fidelidad\". <em>Investigaci\u00f3n de recursos h\u00eddricos<\/em>, 56(6). <a href=\"https:\/\/agupubs.onlinelibrary.wiley.com\/doi\/full\/10.1029\/2019WR027038\"> https:\/\/agupubs.onlinelibrary.wiley.com\/doi\/full\/10.1029\/2019wr027038<\/a><\/p>\n<p>[10] R\u00edos, T., et al. (2024). \"Modelado sustituto asistido por modelos de lenguaje grande\". <em>Instituto de Investigaci\u00f3n Honda<\/em>. <a href=\"https:\/\/www.honda-ri.de\/pubs\/pdf\/5711.pdf\">https:\/\/www.honda-ri.de\/pubs\/pdf\/5711.pdf<\/a><\/p>\n<p>[11] Lones, MA (2024). \"Evitar las trampas comunes del aprendizaje autom\u00e1tico\". <em>Journal of Machine Learning Research<\/em>, 25(89). <a href=\"https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC11573893\/\">https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/pmc11573893\/<\/a><\/p>\n<p>[12] \"Cuantificaci\u00f3n de incertidumbre y sustitutos de aprendizaje autom\u00e1tico\". <em>Ruhr-Universit\u00e4t Bochum<\/em>, 2024. <a href=\"https:\/\/www.subsurf.ruhr-uni-bochum.de\/sfe\/mam\/se-o-17_uncertainty_quantification_in_fe_analyses_with_surrogate_modeling.pdf\">https:\/\/www.subsurf.ruhr-uni-bochum.de\/sfe\/mam\/se-o-17_uncertainty_quantification_in_fe_analyses_with_surrogate_modeling.pdf<\/a><\/p>\n<p>[13] Nguyen, B.D., et al. (2024). \"Modelos sustitutos eficientes para simulaciones de ciencia de materiales\". <em>Materiales y dise\u00f1o<\/em>, 235. <a href=\"https:\/\/www.sciencedirect.com\/science\/article\/pii\/S2666827024000203\">https:\/\/www.sciencedirect.com\/science\/article\/pii\/s266827024000203<\/a><\/p>\n<p>[14] \"Cuantificaci\u00f3n de incertidumbre para la computaci\u00f3n cient\u00edfica\". <em>Escuela de Invierno Geilo<\/em>, ETH Z\u00fcrich, 2026. <a href=\"https:\/\/www.sintef.no\/projectweb\/geilowinterschool\/2026-uncertainty-quantification\/\">https:\/\/www.sintef.no\/projectweb\/geilowinterschool\/2026-Uncertaty-Quantification\/<\/a><\/p>\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\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Los sustitutos de aprendizaje autom\u00e1tico (ML) son aproximaciones r\u00e1pidas basadas en datos de simulaciones cient\u00edficas costosas. Permiten predicciones casi en tiempo real, exploraci\u00f3n masiva del espacio de dise\u00f1o y cuantificaci\u00f3n de incertidumbre que ser\u00eda imposible solo con la simulaci\u00f3n directa. Use sustitutos cuando necesite optimizaci\u00f3n iterativa o miles de evaluaciones; Siga con la simulaci\u00f3n directa [&hellip;]<\/p>\n","protected":false,"raw":""},"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\/?p=218","iawp_total_views":1,"footnotes":""},"categories":[1],"tags":[60,7,59,6,58,10,4,9],"class_list":["post-597","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","tag-cojo","tag-dfn","tag-electroquimica","tag-lithium-ion","tag-modelado-de-bateria","tag-pde","tag-simulation","tag-spm","es-ES"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica - 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\/machine-learning-surrogates-scientific-simulations\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  10 minutesLos sustitutos de aprendizaje autom\u00e1tico (ML) son aproximaciones r\u00e1pidas basadas en datos de simulaciones cient\u00edficas costosas. Permiten predicciones casi en tiempo real, exploraci\u00f3n masiva del espacio de dise\u00f1o y cuantificaci\u00f3n de incertidumbre que ser\u00eda imposible solo con la simulaci\u00f3n directa. Use sustitutos cuando necesite optimizaci\u00f3n iterativa o miles de evaluaciones; Siga con la simulaci\u00f3n directa [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-22T08:16:55+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=\"16 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica\",\"datePublished\":\"2026-07-22T08:16:55+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/\"},\"wordCount\":3188,\"commentCount\":0,\"keywords\":[\"cojo\",\"DFN\",\"electroqu\u00edmica\",\"lithium-ion\",\"Modelado de bater\u00eda\",\"PDE\",\"simulation\",\"SPM\"],\"articleSection\":[\"Simulaci\u00f3n &amp; Proyectos de modelado\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/\",\"name\":\"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-07-22T08:16:55+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/es\\\/machine-learning-surrogates-scientific-simulations\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica\"}]},{\"@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":"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica - 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\/machine-learning-surrogates-scientific-simulations\/","og_locale":"es_ES","og_type":"article","og_title":"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica - matforge.org","og_description":"Reading Time:  10 minutesLos sustitutos de aprendizaje autom\u00e1tico (ML) son aproximaciones r\u00e1pidas basadas en datos de simulaciones cient\u00edficas costosas. Permiten predicciones casi en tiempo real, exploraci\u00f3n masiva del espacio de dise\u00f1o y cuantificaci\u00f3n de incertidumbre que ser\u00eda imposible solo con la simulaci\u00f3n directa. Use sustitutos cuando necesite optimizaci\u00f3n iterativa o miles de evaluaciones; Siga con la simulaci\u00f3n directa [&hellip;]","og_url":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/","og_site_name":"matforge.org","article_published_time":"2026-07-22T08:16:55+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"steven","Tiempo de lectura":"16 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica","datePublished":"2026-07-22T08:16:55+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/"},"wordCount":3188,"commentCount":0,"keywords":["cojo","DFN","electroqu\u00edmica","lithium-ion","Modelado de bater\u00eda","PDE","simulation","SPM"],"articleSection":["Simulaci\u00f3n &amp; Proyectos de modelado"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/","url":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/","name":"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-07-22T08:16:55+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/es\/machine-learning-surrogates-scientific-simulations\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/es\/"},{"@type":"ListItem","position":2,"name":"Sustitutos de aprendizaje autom\u00e1tico para simulaciones cient\u00edficas: una gu\u00eda pr\u00e1ctica"}]},{"@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\/597","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=597"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/597\/revisions"}],"predecessor-version":[{"id":692,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/597\/revisions\/692"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=597"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=597"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=597"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}