💻 computer science

Embedded Model Form Uncertainty Quantification with Measurement Noise for Bayesian Model Calibration

Este artículo presenta un marco mejorado para la cuantificación de la incertidumbre en la forma del modelo mediante la incorporación de un término de inadecuación que considera el ruido de las mediciones, permitiendo una propagación más fiable de dicha incertidumbre hacia cantidades de interés no observadas, como se demuestra en una simulación térmica transitoria.

Autores originales: Daniel Andrés Arcones, Martin Weiser, Phaedon-Stelios Koutsourelakis, Jörg F. Unger

Publicado 2026-02-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daniel Andrés Arcones, Martin Weiser, Phaedon-Stelios Koutsourelakis, Jörg F. Unger

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un arquitecto que ha diseñado un edificio digital (un modelo informático) para predecir cómo se comportará un puente real bajo el sol, el viento o el tráfico. Tu modelo es genial, pero no es perfecto: ha simplificado la realidad, ignorando detalles como la textura exacta del hormigón o pequeñas grietas invisibles.

Ahora, pones sensores reales en el puente para medir la temperatura y comparas esos datos con lo que tu modelo predice. Aquí es donde surge el problema: tu modelo nunca coincide perfectamente con la realidad.

Este artículo trata sobre cómo arreglar esa discrepancia de una manera inteligente, sin engañar a la matemática.

1. El Problema: El Modelo "Demasiado Seguro"

Imagina que tu modelo es un estudiante muy seguro de sí mismo que siempre responde con una sola cifra exacta.

La realidad: El termómetro marca 25°C.
El modelo: Dice "¡Es exactamente 24.9°C!".
El problema: Si el modelo es "demasiado seguro", no admite que pueda estar equivocado. Cuando los datos reales se desvían (por ruido, errores de medición o porque el modelo es imperfecto), el modelo intenta forzar sus parámetros para encajar esos datos, pero al final, sus predicciones futuras son poco fiables. Es como si el estudiante estudiara tanto para un examen que memorizó las respuestas, pero no entendió la lógica, y falló en una pregunta ligeramente diferente.

2. La Solución Propuesta: "El Ajuste Interno" (Embedding)

Los autores proponen una idea brillante: en lugar de decir "mi modelo está mal, voy a añadirle un parche externo", proponen darle al modelo un "temblor" interno.

Imagina que los parámetros de tu modelo (como la conductividad del calor) no son números fijos, sino que son como un dado que se lanza cada vez que haces una predicción.

En lugar de decir "La conductividad es 10", dices "La conductividad es un promedio de 10, pero puede variar un poco aleatoriamente".
Este "temblor" o variación aleatoria representa la incertidumbre del modelo (lo que no sabemos o lo que hemos simplificado).

Al hacer esto, el modelo ya no intenta adivinar un número exacto, sino que aprende a predecir un rango de posibilidades. Si la realidad está fuera de ese rango, el modelo lo sabe y ajusta su "temblor" para cubrirlo.

3. El Nuevo Reto: El Ruido de los Sensores

Aquí es donde entra la novedad de este paper. A veces, la diferencia entre el modelo y la realidad no es porque el modelo sea malo, sino porque el sensor está "grasoso" (tiene ruido o error de medición).

La analogía: Imagina que intentas escuchar una canción en un coche con el motor ruidoso. Si el modelo intenta ajustar su "temblor" para encajar el ruido del motor, terminará pensando que la canción es mucho más variada de lo que realmente es.
Los autores descubrieron que los métodos antiguos (llamados ABC) eran muy sensibles a este "ruido". Si no le decías al modelo exactamente cuánto ruido tenía el sensor, el modelo se volvía loco y daba predicciones erróneas.

4. Las Nuevas Herramientas: Cuatro Maneras de Escuchar

Para solucionar esto, los autores crearon y compararon cuatro "formas de escuchar" (funciones de verosimilitud) para que el modelo aprenda de los datos sin confundirse con el ruido:

El "Oído Estricto" (ABC): Intenta que la predicción coincida exactamente con los datos. Es muy sensible al ruido; si el sensor falla un poco, el modelo se desestabiliza.
El "Oído Promedio" (IN - Normal Independiente): Mira cada punto de datos por separado. Es bueno, pero a veces se obsesiona con los puntos que tienen menos error y ignora el resto.
El "Oído Global" (GMM): En lugar de mirar punto por punto, mira el "promedio" de todos los errores juntos. Es más robusto, como si un juez mirara el comportamiento general de un estudiante en lugar de una sola pregunta.
El "Oído Relativo" (RGMM): Es la versión más inteligente. Mira los errores en relación con lo que el modelo ya sabía que era incierto. Es como decir: "Si el modelo ya sabía que esa zona era difícil, no le vamos a penalizar tanto si se equivoca ahí".

5. El Resultado: Predicciones Confiables

El objetivo final no es solo ajustar el modelo para que coincida con el pasado, sino predecir el futuro con confianza.

Sin este método: El modelo diría "Mañana hará 20°C" (con un margen de error de 0.1°C). Si mañana hace 25°C, el modelo parece un fracaso.
Con este método: El modelo dirá "Mañana hará entre 18°C y 22°C, pero hay una posibilidad de que llegue a 25°C si hay un factor desconocido".

Al incluir la "incertidumbre del modelo" dentro de los parámetros, el modelo puede decir: "No estoy seguro de mi respuesta, y esa duda es parte de mi respuesta".

En Resumen

Este paper nos enseña que, para que una simulación por computadora sea útil en el mundo real (como predecir el calor en un puente o la vida útil de un edificio), no debemos tratarla como una verdad absoluta.

Debemos darle al modelo humildad: permitirle tener "dudas" (variabilidad interna) y enseñarle a distinguir entre lo que es un error de medición (ruido) y lo que es una limitación real de nuestro conocimiento. Gracias a estas nuevas fórmulas matemáticas, podemos confiar más en las predicciones de nuestras "gemelas digitales" (Digital Twins) y tomar decisiones más seguras.

Resumen Técnico: Cuantificación de Sesgo de Modelo Incrustado con Ruido de Medición para la Calibración Bayesiana

1. Planteamiento del Problema

La calibración de modelos computacionales basados en datos observacionales es fundamental para la precisión de simulaciones físicas (ej. Gemelos Digitales). Sin embargo, existen dos fuentes principales de incertidumbre:

Ruido de medición ( $\varepsilon_{noise}$ ): Variaciones aleatorias en los datos observados.
Inadecuación del modelo ( $\varepsilon_{model}$ ): Discrepancias sistemáticas causadas por simplificaciones y suposiciones inherentes al modelo físico (incertidumbre epistémica).

El enfoque bayesiano clásico falla cuando el modelo es inexacto: las distribuciones posteriores de los parámetros tienden a colapsar en valores puntuales (deltas de Dirac) que no pueden representar los datos observados, generando predicciones "sobreconfiadas" con intervalos de credibilidad demasiado estrechos.

Las soluciones existentes, como el marco de Kennedy y O'Hagan (2001), añaden un término de corrección externo (proceso gaussiano) a la salida del modelo. Aunque esto mejora el ajuste a los datos de observación, este término de corrección no tiene significado físico y no puede propagarse a otras Cantidades de Interés (QoIs) calculadas con los mismos parámetros del modelo. Por otro lado, los métodos de "Inflación de Incertidumbre de Parámetros" (PUI), como el de Sargsyan et al. (2015), incrustan la incertidumbre dentro de los propios parámetros latentes, permitiendo su propagación, pero sufren de limitaciones frente a modelos de ruido mal especificados y outliers.

2. Metodología Propuesta

El artículo propone un marco unificado para cuantificar y propagar la inadecuación del modelo mediante una formulación incrustada (embedded) más interpretable y robusta frente al ruido.

A. Representación de la Inadecuación del Modelo (Incrustación)
En lugar de usar expansiones de caos polinomial (PCE) complejas para representar parámetros estocásticos (como en Sargsyan), los autores proponen una representación explícita y aditiva:
$\tilde{\theta} = \theta_m + \delta(\theta_b)$
Donde:

$\theta_m$ : Parte determinista del parámetro.
$\delta(\theta_b)$ : Vector aleatorio de desviación con media cero, parametrizado por $\theta_b$ .
Se asume una distribución normal: $\delta \sim \mathcal{N}(0, \text{diag}(\theta_b))$ .

Esto permite una interpretación directa de la incertidumbre asociada a cada parámetro y facilita la propagación de la incertidumbre a cualquier QoI que dependa de esos parámetros.

B. Evaluación del Modelo y Propagación
Dado que el modelo ahora es estocástico, se utiliza una Expansión de Caos Polinomial (PCE) para aproximar la respuesta del modelo forward. Esto permite calcular eficientemente los momentos estadísticos (media y varianza) de la respuesta sin necesidad de muestreo Monte Carlo costoso en cada iteración.

C. Formulación de Funciones de Verosimilitud (Likelihood)
El núcleo de la contribución es el desarrollo y adaptación de cuatro funciones de verosimilitud para manejar explícitamente el ruido de medición y las discrepancias:

ABC (Approximate Bayesian Computation) con ruido: Adaptación del método clásico de Sargsyan. Incluye explícitamente el ruido de medición en la comparación de momentos. Es muy sensible a la especificación del ruido.
IN (Independent Normal) con ruido: Adapta la verosimilitud gaussiana clásica para incluir la varianza predicha y el ruido de medición en el denominador.
GMM (Global Moment-matching) con ruido: Una nueva propuesta. En lugar de ajustar momentos punto a punto, trata los residuos estandarizados como una mezcla gaussiana global. Utiliza el teorema de Cochran para modelar la distribución de la media y la varianza de la muestra de residuos.
RGMM (Relative Global Moment-matching) con ruido: Una variante de GMM que normaliza los residuos por la varianza predicha. Esto es crucial para manejar ruido heterocedástico (varianza no constante) y evitar que puntos con alta varianza dominen el ajuste.

D. Propagación a Cantidades de Interés (QoI)
A diferencia de métodos que usan estimadores puntuales (MAP), el enfoque propuesto propaga la distribución posterior conjunta completa de los parámetros latentes ( $\theta_m, \theta_b$ ) a través del modelo forward o de funciones de QoI ( $g(\theta)$ ). Esto genera distribuciones completas para las QoIs, capturando tanto la incertidumbre paramétrica como la del modelo.

3. Contribuciones Clave

Interpretabilidad: Se introduce una representación de inadecuación del modelo aditiva y explícita que es más fácil de interpretar y calibrar que las expansiones polinomiales tradicionales.
Manejo Explícito del Ruido: Se demuestra que las formulaciones ABC estándar son extremadamente sensibles a la especificación incorrecta del ruido. Se proponen correcciones (como el factor $\gamma = \sqrt{\pi/2}$ ) y nuevas formulaciones (GMM, RGMM) que son más robustas.
Nuevas Funciones de Verosimilitud: Desarrollo de GMM y RGMM, que mejoran la robustez frente a outliers y ruido heterocedástico en comparación con los métodos existentes.
Propagación de Incertidumbre: Se valida que la incertidumbre cuantificada mediante la incrustación se propaga correctamente a QoIs no observadas, proporcionando intervalos de confianza realistas que reflejan la verdadera fiabilidad del modelo.

4. Resultados y Validación

Los métodos se evaluaron en dos casos de estudio:

Caso 1: Modelo Lineal Simple ( $y = \theta x + \varepsilon$ ):
- Se analizaron escenarios con diferentes niveles de ruido, offsets (desplazamientos) y outliers.
- Hallazgos: El método ABC es el más sensible a la mala especificación del ruido y a los outliers. GMM y RGMM muestran mayor robustez. IN es robusto pero puede sobreajustar si la varianza predicha es muy baja en ciertos puntos.
- Se demostró que sin el término de inadecuación, los valores Z (pruebas de hipótesis) rechazan la validez del modelo, mientras que con la incrustación, los datos observados caen dentro de los intervalos de predicción.
Caso 2: Simulación Térmica Transitoria en Hormigón Armado:
- Escenario: Un modelo computacional simplificado (isotrópico) se calibra contra datos generados por un sistema real complejo (con barras de refuerzo que crean heterogeneidad).
- Objetivo: Inferir la difusividad térmica y predecir el flujo de calor acumulado (QoI no observado durante la calibración).
- Resultados:
  - La incrustación permitió capturar la discrepancia causada por las barras de refuerzo, ajustando la difusividad efectiva.
  - Las predicciones de flujo de calor (QoI) generaron distribuciones que envolvían correctamente el valor real, a diferencia del modelo sin corrección que era "demasiado seguro" (intervalos estrechos y erróneos).
  - Las formulaciones GMM, RGMM e IN proporcionaron resultados comparables y robustos, mientras que ABC mostró mayor sensibilidad a los parámetros de ruido.

5. Significado y Conclusión

Este trabajo avanza significativamente en la cuantificación de incertidumbre para Gemelos Digitales y simulaciones físicas.

Fiabilidad: Permite a los ingenieros tomar decisiones basadas en predicciones que reconocen honestamente sus limitaciones y la incertidumbre del modelo, en lugar de confiar en predicciones puntuales falsamente precisas.
Flexibilidad: Al incrustar la incertidumbre en los parámetros, cualquier cantidad derivada de esos parámetros hereda automáticamente la incertidumbre del modelo, algo imposible con correcciones externas.
Recomendación Práctica: El estudio sugiere evitar el uso de verosimilitudes ABC estándar cuando el ruido de medición no se conoce con precisión. Se recomienda el uso de RGMM o GMM para casos con ruido heterocedástico o presencia de outliers, ya que ofrecen un equilibrio óptimo entre robustez y capacidad de ajuste.

En resumen, el artículo proporciona un marco matemático riguroso y herramientas prácticas para transformar modelos computacionales imperfectos en herramientas de predicción confiables y cuantificables estadísticamente.