Physics-constrained symbolic regression for discovering closed-form equations of multimodal water retention curves from experimental data

Este trabajo presenta un marco de aprendizaje automático restringido por la física que utiliza programación genética para descubrir automáticamente ecuaciones de forma cerrada que modelan con precisión las curvas de retención de agua multimodales de materiales porosos a partir de datos experimentales.

Lo esencial

Imagina que el suelo no es solo tierra, sino una esponja gigante y compleja llena de agujeros de todos los tamaños: desde microscópicos hasta visibles. Cuando llueve, el agua entra en esta esponja; cuando hace sol, se seca. Los ingenieros necesitan predecir exactamente cuánta agua retiene el suelo en cada momento para construir cimientos seguros o gestionar el riego.

El problema es que el suelo real es un "caos" de poros (agujeros) de diferentes tamaños. Los modelos matemáticos antiguos intentaban describir este comportamiento con fórmulas simples, como si el suelo fuera una esponja con agujeros todos del mismo tamaño. Funcionaban bien para suelos simples, pero fallaban estrepitosamente en suelos complejos (como una mezcla de arena y arcilla), porque no podían capturar esa complejidad.

Otra opción era usar "parches": pegar varias fórmulas simples juntas. Pero esto era como intentar armar un rompecabezas sin ver la imagen final: requería adivinar muchos números (parámetros) y a menudo el resultado era confuso y difícil de entender.

La Solución: Un "Detective Matemático" con Reglas de Oro

En este artículo, los autores (Yejin Kim y Hyoung Suk Suh) proponen una nueva forma de hacer las cosas usando una técnica llamada Regresión Simbólica con Restricciones Físicas.

Para explicarlo de forma sencilla, imagina que tienes un robot detective (el algoritmo de aprendizaje automático) y una pizarra llena de símbolos matemáticos (+, -, ×, ÷, senos, cosenos, etc.).

1. El Juego de las Fórmulas: El robot empieza a construir fórmulas al azar, como si estuviera jugando con bloques de Lego. Crea miles de ecuaciones posibles.
2. El Problema del "Caos": Si solo le dices al robot: "Encuentra la fórmula que se parezca más a mis datos", el robot se volverá loco. Creará ecuaciones tan locas y complejas que parecerán obras de arte abstractas, pero que no tienen sentido en la realidad (por ejemplo, predecir que el suelo tiene más del 100% de agua o que el agua aparece de la nada). Es como si un niño dibujara un perro con tres cabezas porque "se parece" a su perro, pero no es un perro real.
3. Las "Reglas de Oro" (Las Restricciones Físicas): Aquí está la magia. Los autores le dan al robot un manual de instrucciones basado en la física real. Le dicen:
   • "¡Oye! Si el suelo se seca más (aumenta la succión), el agua debe bajar. Nunca puede subir sola." (Esto es la monotonía).
   • "El suelo nunca puede tener más del 100% de agua ni menos del 0%." (Esto es la limitación).
   • "Si el suelo tiene dos tipos de poros, la curva debe tener dos 'baches' o formas específicas." (Esto es la forma o modo).

¿Cómo funciona el proceso?

Imagina que el robot está en una carrera.

• Sin reglas: Corre tan rápido como puede para tocar todos los puntos de datos, pero choca contra las paredes de la realidad (predice cosas imposibles).
• Con reglas: El robot sigue corriendo, pero si intenta cruzar una línea roja (una ley física), recibe una multa (una penalización en su puntuación).

El robot evoluciona (como en la selección natural de Darwin): descarta las fórmulas que cometen errores físicos y mejora las que cumplen las reglas. Al final, no solo encuentra una fórmula que se ajusta a los datos, sino una fórmula que tiene sentido físico.

¿Por qué es esto genial?

1. No es una "Caja Negra": A diferencia de las redes neuronales modernas (que son como un cerebro humano que sabe la respuesta pero no puede explicarte cómo la obtuvo), este método te entrega la fórmula escrita (ej. y = x + sen(x)). Puedes leerla, entenderla y usarla en cualquier programa de ingeniería.
2. Funciona con pocos datos: Los suelos complejos son difíciles de medir. Este método puede encontrar la fórmula correcta incluso si tienes pocos puntos de datos, porque las "Reglas de Oro" le dicen al robot cómo comportarse en los huecos.
3. Descubre lo invisible: En suelos con múltiples tipos de poros (multimodales), el método descubre automáticamente la forma correcta de la curva sin que el ingeniero tenga que decirle "usa esta fórmula para la arena y esta otra para la arcilla". El robot lo descubre solo.

En resumen

Los autores han creado un sistema inteligente que combina la creatividad de la inteligencia artificial con la disciplina de la física. En lugar de dejar que la máquina adivine ciegamente, le dan un marco de reglas estrictas para que descubra las leyes matemáticas que gobiernan cómo el suelo retiene el agua.

Es como enseñar a un niño a dibujar un paisaje: no solo le das lápices y papel (los datos), sino que le enseñas que el cielo siempre está arriba y el agua siempre fluye hacia abajo (las leyes físicas). El resultado es un dibujo que no solo se ve bien, sino que es realista y útil.

Este trabajo es una herramienta poderosa para ingenieros civiles y ambientales, permitiéndoles simular el comportamiento del suelo con mayor precisión y confianza, incluso en situaciones donde los datos son escasos.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título del Estudio

Regresión simbólica restringida por física para el descubrimiento de ecuaciones de forma cerrada de curvas de retención de agua multimodales a partir de datos experimentales.

1. Planteamiento del Problema

El modelado del comportamiento no saturado de materiales porosos con distribuciones de tamaño de poros multimodales presenta desafíos significativos.

• Limitaciones de los modelos actuales: Los modelos hidráulicos semie empíricos estándar (como los de Van Genuchten o Brooks) asumen una distribución unimodal de poros, lo que los hace inadecuados para materiales con estructuras complejas.
• Enfoques existentes y sus fallos: Una solución común consiste en superponer múltiples funciones unimodales. Sin embargo, esto requiere la identificación de parámetros separados para cada modo, lo que reduce la interpretabilidad, la generalización y la aplicabilidad, especialmente cuando los datos experimentales son escasos.
• Desafíos del aprendizaje automático (ML): Aunque las redes neuronales ofrecen flexibilidad, su naturaleza de "caja negra" carece de interpretabilidad y a menudo viola principios físicos (por ejemplo, predicen saturaciones mayores a 1 o comportamientos no monótonos).
• Limitaciones de la regresión simbólica (SR) pura: La SR tradicional busca expresiones matemáticas interpretables, pero es propensa al sobreajuste (overfitting), sensible al ruido y puede escalar mal computacionalmente, generando soluciones que no son físicamente consistentes.

2. Metodología

Los autores proponen un marco de Regresión Simbólica Restringida por Física (PCSR, por sus siglas en inglés) diseñado para el meta-modelado.

• Representación del Modelo: Las expresiones matemáticas se representan como árboles binarios y evolucionan mediante programación genética.
• Estrategia de Optimización Multiobjetivo: El proceso de aprendizaje minimiza una función de pérdida total ($L$) compuesta por tres términos:
  1. Pérdida de Datos ($L_{data}$): Asegura el ajuste a los datos experimentales (error cuadrático medio).
  2. Pérdida Física ($L_{phys}$): Penaliza las violaciones de las leyes termodinámicas y físicas. Se imponen restricciones de:
     • Monotonía: La saturación de agua ($S_w$) debe disminuir a medida que aumenta la succión matricial ($s$).
     • Condiciones de Límite: Comportamiento asintótico en los extremos de succión (saturación máxima y residual) con derivadas que tienden a cero.
     • Acotación: La saturación debe permanecer entre 0 y 1.
  3. Pérdida de Modo ($L_{mode}$): Un término guía que fuerza al modelo a tener un número específico de modos ($N_{mode}$) en su distribución, correspondiente a la estructura de poros del material. Esto se logra contando los cambios de signo en la segunda derivada (puntos de inflexión).
• Preprocesamiento: Los datos se mapean a un espacio normalizado $[0, 1]$ para mejorar la estabilidad numérica, utilizando puntos de referencia de succión mínima, máxima y residual.
• Entrenamiento: Se utiliza un conjunto de puntos de colocación para evaluar las restricciones físicas durante el entrenamiento, penalizando cualquier desviación de las condiciones físicas esperadas.

3. Contribuciones Clave

• Marco PCSR: Desarrollo de un enfoque híbrido que integra la interpretabilidad de la regresión simbólica con la rigurosidad de las restricciones físicas, evitando la naturaleza de caja negra de las redes neuronales.
• Descubrimiento Automático de Ecuaciones: Capacidad de derivar automáticamente expresiones matemáticas de forma cerrada para curvas de retención multimodales sin necesidad de predefinir la forma funcional ni realizar calibración manual de parámetros complejos.
• Control de Estructura (Modos): Introducción de una pérdida específica para controlar el número de modos en la curva resultante, resolviendo el problema de la identificación de parámetros en modelos superpuestos.
• Reproducibilidad: El código fuente completo y los conjuntos de datos se han hecho públicos en un repositorio de código abierto para validación y extensión por terceros.

4. Resultados

El marco se evaluó en escenarios unimodales y multimodales, comparándolo con la regresión simbólica estándar (Vanilla SR) y modelos semie empíricos tradicionales (Van Genuchten, Durner).

• Casos Unimodales:
  • La SR estándar y los modelos semie empíricos a menudo fallaron en capturar comportamientos complejos cerca de la entrada de aire o saturación residual, o sufrieron de sobreajuste.
  • El PCSR con restricción de modo logró descubrir ecuaciones precisas que respetaban estrictamente la física y mantenían un solo modo ($N_{mode}=1$), evitando fluctuaciones espurias.
• Casos Multimodales (Bimodales, 3 y 4 modos):
  • En datos experimentales y sintéticos con estructuras de poros complejas, la SR estándar generó curvas con fluctuaciones no físicas y un número incorrecto de modos (sobreajuste).
  • El PCSR con la restricción de modo logró recuperar con precisión la forma de la curva (bimodal, trimodal, etc.), garantizando que el número de puntos de inflexión coincidiera con el número de modos esperado ($N_{mode}$).
  • Las ecuaciones descubiertas fueron físicamente consistentes (monótonas, acotadas) y mostraron una capacidad de generalización superior al evitar el ajuste al ruido experimental.
• Análisis de Robustez: Las pruebas con datos ruidosos demostraron que las restricciones físicas actúan como un regularizador efectivo, suprimiendo el sobreajuste y manteniendo el comportamiento termodinámico correcto.

5. Significado e Impacto

• Integración en Simulaciones: A diferencia de las redes neuronales, las ecuaciones descubiertas son de forma cerrada y analíticas, lo que permite su integración directa y transparente en códigos de simulación hidromecánica existentes, tal como se hace con los modelos convencionales.
• Interpretabilidad Física: Proporciona modelos que no solo predicen bien, sino que respetan las leyes fundamentales de la termodinámica y la mecánica de suelos, aumentando la confianza en las predicciones de ingeniería.
• Aplicabilidad en Datos Escasos: El enfoque es particularmente valioso en escenarios donde los datos experimentales son limitados, ya que las restricciones físicas guían la búsqueda del modelo hacia soluciones realistas, evitando la necesidad de grandes volúmenes de datos para el entrenamiento.
• Futuro: Este trabajo sienta las bases para extender el método a comportamientos de histéresis y otros problemas geotécnicos y ambientales, ofreciendo una alternativa robusta a los modelos de caja negra.