Resumen Técnico: naPINN – Redes Neuronales Informadas por la Física con Adaptación al Ruido

1. Planteamiento del Problema

Las Redes Neuronales Informadas por la Física (PINNs) han surgido como una herramienta poderosa para resolver problemas inversos y descubrir ecuaciones gobernantes a partir de datos observacionales. Sin embargo, su rendimiento es altamente sensible a los datos de medición corrompidos. En escenarios del mundo real, las mediciones suelen ser dispersas y los datos pueden estar contaminados por fallos de sensores, errores de transmisión o interferencias ambientales, lo que conduce a ruido no gaussiano, asimétrico, de colas pesadas y valores atípicos (outliers) graves.

Las formulaciones estándar de PINN dependen de la pérdida de Error Cuadrático Medio (MSE), lo que corresponde a un supuesto de ruido gaussiano. Bajo una corrupción compleja, una pequeña fracción de valores atípicos puede dominar los gradientes, sesgando la solución recuperada y los parámetros físicos. Si bien las variantes de PINN robustas existentes (por ejemplo, utilizando pérdida $L_1$ o verosimilitudes $q$-Gaussian) ofrecen cierta mejora, estas dependen típicamente de funciones de penalización fijas o familias de verosimilitud preespecificadas. Crucialmente, no infieren la fiabilidad de la medición directamente desde los residuos de los datos bajo distribuciones de ruido desconocidas, ni realizan una selección adaptativa a nivel de muestra durante el entrenamiento.

2. Metodología: Marco de Trabajo naPINN

Los autores proponen naPINN (Redes Neuronales Informadas por la Física con Adaptación al Ruido), un marco modular diseñado para recuperar soluciones físicas a partir de mediciones corruptas sin conocimiento previo de la distribución del ruido. El mecanismo central consiste en estimar la fiabilidad de los residuos de las mediciones y utilizar esta señal para regular adaptativamente la influencia de cada punto de datos.

2.1 Componentes Principales

El marco consta de tres componentes principales que trabajan en conjunto:

1. Estimador de Distribución de Ruido Basado en Residuos: Un módulo (instanciado principalmente como un Modelo Basado en la Energía, EBM, de una dimensión en el artículo) que aprende la densidad de probabilidad de los residuos normalizados. Convierte los residuos en puntuaciones de fiabilidad, donde los residuos de baja probabilidad (valores atípicos) reciben puntuaciones de fiabilidad bajas.
2. Puerta de Fiabilidad Entrenable (Trainable Reliability Gate): Un mecanismo de puerta que convierte las puntuaciones de fiabilidad en pesos adaptativos ($g_i$) para cada medición. Las mediciones con comportamiento anómalo (baja fiabilidad) son devaluadas en el cálculo de la pérdida de datos.
3. Regularizador de Costo de Rechazo: Un término de regularización ($L_{rej}$) que penaliza al modelo por descartar datos válidos, evitando la solución trivial donde la puerta rechaza todas las mediciones para minimizar la pérdida.

2.2 Procedimiento de Entrenamiento

El proceso de entrenamiento sigue un protocolo de tres etapas (Algoritmo 1):

• Fase 1: Calentamiento (Warm-up): La PINN y los parámetros de la EDP se entrenan utilizando la pérdida compuesta estándar (física + datos) sin puerta de fiabilidad. Esto permite que el predictor se alinee razonablemente con los datos, haciendo que los residuos subsiguientes sean más informativos sobre la corrupción.
• Fase 2: Inicialización del Estimador: Se computan los residuos de la medición a partir del predictor calentado. Estos residuos se normalizan utilizando una desviación estándar móvil (actualizada mediante un Promedio Móvil Exponencial) para manejar variaciones de escala. El estimador de la distribución de ruido se inicializa o se ajusta sobre estos residuos normalizados.
• Fase 3: Optimización Conjunta: La PINN, el estimador de ruido y los parámetros de la puerta de fiabilidad se optimizan conjuntamente. La función de pérdida total es:
  $$L_{total} = L_{PDE} + L_{gate}^d + \lambda_{rej} L_{rej}$$
  Donde $L_{gate}^d$ es la pérdida de datos ponderada por la puerta de fiabilidad, y $L_{rej}$ es el costo de rechazo. A medida que el predictor físico mejora, la fiabilidad del residuo se convierte en un proxy más nítido para la corrupción, permitiendo que la puerta suprima eficazmente los valores atípicos.

2.3 Interpretación Probabilística

Los autores señalan que el objetivo con puerta admite una interpretación probabilística similar a una verosimilitud robusta de variable latente. El peso de la puerta $g_i$ actúa como la probabilidad a posteriori de que una observación esté "limpia", derivada de la densidad de ruido aprendida y un umbral de corte aprendido, en lugar de una distribución de valores atípicos especificada manualmente.

3. Contribuciones Clave

El artículo describe tres contribuciones principales:

1. Identificación del Problema: Los autores identifican las PINNs inversas impulsadas por mediciones bajo distribuciones de ruido desconocidas y valores atípicos graves como un escenario crítico pero insuficientemente abordado para la recuperación física robusta.
2. Propuesta de Marco de Trabajo: Proponen naPINN, un marco modular que acopla la estimación de la distribución de ruido basada en residuos con la selección adaptativa de mediciones mediante una puerta de fiabilidad y la regularización del costo de rechazo. La principal instanciación utiliza un EBM, aunque el marco soporta otros estimadores de densidad (por ejemplo, KDE, GMM).
3. Validación Empírica: El marco se valida en bancos de pruebas de EDP 2D (Allen-Cahn, Burgers y $\lambda$-$\omega$ Reacción-Difusión) bajo ruido no gaussiano multimodal y proporciones variables de valores atípicos (del 5% al 15%).

4. Resultados Experimentales

Los autores evaluaron naPINN frente a las PINN estándar y las líneas base robustas (B-PINN, LAD-PINN, OrPINN) a través de tres bancos de pruebas de EDP.

• Rendimiento: naPINM alcanzó consistentemente el Error Absoluto Medio relativo (rMAE) y el Error Cuadrático Medio relativo (rMSE) más bajos en todas las proporciones de valores atípicos. Por ejemplo, en la ecuación de Burgers con un 15% de valores atípicos, naPINM mejoró el rMAE en un 58.86% respecto a la segunda mejor línea base (OrPINN con $q=2.9$).
• Robustez: A diferencia de las PINN estándar, cuyo rendimiento se degradó rápidamente con el aumento de las proporciones de valores atípicos, naPINM exhibió solo una degradación marginal. Sus tasas de error se mantuvieron cercanas a las obtenidas bajo condiciones de mediciones limpias.
• Análisis Cualitativo: Las visualizaciones de la reconstrucción de la solución mostraron que, mientras las PINN estándar producían errores significativos cerca de las transiciones bruscas (donde se concentraban los valores atípicos), naPINM mantuvo una precisión comparable a la verdad de campo (ground truth).
• Detección de Valores Atípicos: La puerta aprendida identificó y suprimió con éxito los valores atípicos. El análisis de la matriz de confusión en el banco de pruebas de Allen-Cahn (10% de valores atípicos) mostró una precisión y exhaustividad (recall) casi perfectas al distinguir los valores atípicos de las mediciones con ruido normal.
• Modelado de Ruido: Se demostró que el componente EBM captura con precisión la estructura multimodal compleja de la distribución de ruido inyectado tras el entrenamiento conjunto, mientras que falló en hacerlo durante la inicialización.

5. Significado y Limitaciones

Significado:
El artículo afirma que naPINM es el primer marco de PINN inversa que aborda mediciones corruptas con distribuciones de ruido desconocidas mediante el acoplamiento de la estimación de ruido basada en residuos con una puerta de fiabilidad entrenable por medición. Demuestra que aprender la estructura del ruido y filtrar los datos de forma adaptativa simultáneamente permite una recuperación física robusta incluso bajo una severa corrupción de datos. Además, el marco proporciona información interpretable sobre la estructura del ruido y puede funcionar como una herramienta de detección de anomalías para fallos de sensores.

Limitaciones:
Los autores reconocen modestamente que la evaluación se basa en bancos de pruebas simulados controlados con corrupciones inyectadas. Si bien este protocolo permite una prueba de estrés justa con una verdad de campo conocida, no reemplaza la validación en datos de sensores del mundo real a escala de despliegue. Se sugiere como trabajo futuro evaluar naPINM en sistemas instrumentados reales, abordando desafíos como los fallos de sensores espacialmente correlacionados y la deriva temporal.