Resumen Técnico: La Medida Correcta para la Generación con Restricciones Físicas

Planteamiento del Problema

Los modelos generativos, particularmente las arquitecturas de difusión y de ajuste de flujo (flow-matching), se emplean cada vez más para resolver problemas inversos de ecuaciones diferenciales parciales (EDP). El flujo de trabajo estándar consiste en entrenar un prior generativo $\pi(x)$ y luego imponer restricciones físicas (EDP gobernantes, condiciones de contorno o consistencia de datos) como restricciones estrictas ($c(x)=0$) mediante proyección o guía. Posteriormente, estos métodos reportan las muestras restringidas como extracciones de la posterior bayesiana para realizar la cuantificación de la incertidumbre (UQ).

Este artículo identifica un fallo fundamental en esta receta ampliamente adoptada: imponer una restricción estricta no produce muestras de la posterior bayesiana correcta.

El problema central es una ambigüedad de la teoría de la medida conocida como la paradoja de Borel–Kolmogorov. Condicionar una distribución continua sobre una variedad de medida cero (el conjunto donde $c(x)=0$) está mal definido sin especificar cómo se toma el límite de la medida cero.

1. El Límite Físico: El límite físicamente correcto asume que la EDP se cumple hasta un pequeño ruido residual ($c(x) \sim \mathcal{N}(0, \gamma^2 I)$ cuando $\gamma \to 0$). Por la fórmula de coárea, este límite produce una densidad posterior sobre la variedad $M$ que incluye un factor Jacobiano de Fixman (coárea):
   $$p^\star(x) \propto \pi(x) \ell(y|x) [\det(J(x)J(x)^\top)]^{-1/2}, \quad x \in M$$
   donde $J = \nabla c$ es el Jacobiano de la restricción.
2. El Límite Euclídeo: Los métodos estándar de proyección y guía condicionan implícitamente en un "tubo" geométrico (distancia euclídea a la variedad). Este límite converge a una medida $p_E \propto \pi(x)$ sobre $M$, la cual omite el factor Jacobiano $[\det(JJ^\top)]^{-1/2}$.

Los dos límites coinciden solo si $\det(JJ^\top)$ es constante en $M$. Para los problemas inversos de EDP, la sensibilidad de la restricción es inherentemente heterogénea, lo que significa que el factor omitido no es un detalle menor, sino una fuente de sesgo sistemático y no despreciable.

Metodología

Análisis Teórico

Los autores formalizan el sesgo utilizando la fórmula de coárea. Demuestran que el límite de "restricción estricta" utilizado por los métodos basados en proyección (por ejemplo, PCFM) y los métodos de guía de residuo apuntan al límite euclídeo $p_E$, mientras que la verdadera posterior física es la posterior de coárea $p^\star$. La razón entre la verdadera posterior y la posterior sesgada es exactamente el factor de Fixman faltante:
$$\frac{dp^\star}{dp_E}(x) \propto [\det(J(x)J(x)^\top)]^{-1/2}$$
Además, muestran que este sesgo no puede corregirse mediante un simple reponderado escalar de las muestras proyectadas porque el propio mapa de proyección distorsiona el prior de una manera dependiente de la curvatura y no escalar.

CoCoS: Muestreador de Restricción Consciente de la Medida

Para muestrear de la posterior correcta $p^\star$, los autores introducen CoCoS (Co-area Constrained Sampler). Este es un muestreador MCMC exacto diseñado para apuntar directamente a la posterior de coárea:

1. Propuesta Tangente: En un punto $x \in M$, se genera un paso de propuesta $v$ en el espacio tangente de la variedad utilizando una gaussiana isotrópica.
2. Reproyección: Se proyecta el candidato $x+v$ de vuelta a la variedad $M$ a lo largo de las direcciones normales (resolviendo un pequeño paso de Newton).
3. Aceptación de Metropolis: Se acepta la propuesta con una razón que incluye el potencial de Fixman ($\frac{1}{2}\log \det(JJ^\top)$) y una verificación de reversibilidad para asegurar que la distribución invariante sea exactamente $p^\star$.

CoCo-Flow: Amortización de la Corrección

Reconociendo que el MCMC es computacionalmente costoso para problemas de alta dimensión, los autores proponen CoCo-Flow. Este enfoque amortiza la corrección entrenando un modelo de ajuste de flujo condicional para imitar el muestreador exacto CoCoS.

• Entrenamiento: Se generan muestras "maestras" utilizando el algoritmo exacto CoCoS (o mediante el dibujo de pares conjuntos $(\theta, y)$ de un simulador directo, que es inherentemente correcto en términos de medida).
• Inferencia: Se entrena un modelo estudiante de flujo para reproducir estas muestras maestras.
• Resultado: La inferencia en tiempo de ejecución se convierte en la resolución de una única ODE, heredando la corrección de medida de los datos de entrenamiento sin requerir cálculos de Jacobiano por consulta o pasos de MCMC.

Resultados Clave

Los autores validan sus afirmaciones utilizando un árbitro de rechazo i.i.d. (muestreo de rechazo por banda de residuo), que sirve como un estándar de oro que es inmune a las patologías de mezcla de MCMC.

Benchmarks Controlados

• Necesidad del Factor: En un problema controlado de 4D, omitir el factor de Fixman (muestreando la medida de Hausdorff) resultó en un error de la posterior 21 veces superior al ruido de muestreo.
• Sesgo de Proyección: El método de proyección de desplazamiento mínimo estándar (PCFM) estaba sesgado por 9 veces el nivel de ruido.
• Fallo del Reponderado Escalar: El reponderado ingenuo de las muestras proyectadas mediante el término escalar del Jacobiano no logró corregir el sesgo, a menudo empeorando el error (16 veces el nivel de ruido), confirmando que la distorsión es estructural y no solo un problema de escala.
• Precisión de CoCoS: El muestreador CoCoS coincidió con el árbitre de oro dentro de 2.5 veces el nivel de ruido, recuperando efectivamente la verdadera posterior.

Problemas Inversos de EDP (Flujo de Darcy)

Evaluado en problemas inversos de flujo de Darcy de 1D y 2D con sensibilidad heterogénea:

• Escalabilidad: El sesgo escala con la dimensión y la heterogeneidad de la sensibilidad. En un problema de campo de valores de 2D ($d=64$), la sensibilidad de la restricción varió en $2.6 \times 10^5$. Aunque un promedio ingenuo sugería un sesgo pequeño, al restringir el análisis al subespacio informado por la verosimilitud, se reveló que PCFM estaba sesgado por 21.7 veces el nivel de ruido.
• Cuantificación de la Incertidumbre: El sesgo se manifiesta como un fallo severo de calibración. PCFM reportó desviaciones estándar de la posterior que estaban erradas en un 96% e introdujo correlaciones espurias (error de covarianza del 122%). CoCoS recuperó la dispersión de la posterior con un error del 1% y calibró correctamente los intervalos de credibilidad.
• Amortización: CoCo-Flow generalizó con éxito la corrección a observaciones no vistas en entornos de 1D y 2D, logiendo una precisión dentro de unos pocos múltiplos del nivel de ruido con tiempos de inferencia órdenes de magnitud más rápidos que el muestreador exacto.

Cuándo el Sesgo es Despreciable

El artículo señala que en problemas con una heterogeneidad de sensibilidad leve (por ejemplo, una ecuación de Burgers viscosa estacionaria de 1D), el sesgo es pequeño y los métodos de proyección funcionan casi tan bien como el muestreador corregido. Esto concuerda con la teoría de que el sesgo desaparece cuando $\det(JJ^\top)$ es constante.

Significado y Reivindicaciones

El artículo realiza una reivindicación específica, modesta pero crítica: "Satisfacer la física" no es lo mismo que "muestrear la posterior".

• Corrección de un Error Sistemático: Los autores demuestran que la clase dominante de modelos generativos con restricciones físicas (proyección y guía) muestrean sistemáticamente la distribución incorrecta debido a la falta de un Jacobiano de coárea. Esto no es un error de implementación, sino una consecuencia de imponer restricciones sobre una variedad de medida cero sin el correcto límite de la teoría de la medida.
• Impacto en la UQ Científica: Para la inferencia científica consciente de la incertidumbre, este sesgo no es cosmético. Conduce a estimaciones de incertidumbre mal calibradas, varianzas infladas y correlaciones espurias, haciendo que los intervalos de confianza reportados sean poco fiables.
• Solución Principista: El artículo proporciona una corrección fundamentada (el factor de Fixman) y un muestreador práctico (CoCoS) y un generador amortizado (CoCo-Flow) que apuntan a la posterior correcta.
• Alcance: La crítica se dirige a los métodos que post-procesan un prior fijo con restricciones estrictas. No desacredita a los métodos que entrenan sobre pares conjuntos simulados hacia adelante (que son inherentemente correctos en términos de medida) o aquellos que no pretenden proporcionar posteriores calibradas.

En conclusión, el artículo argumenta que para una inferencia científica rigurosa, la "medida correcta" (la corrección de coárea) no es opcional; omitirla invalida fundamentalmente la cuantificación de la incertidumbre proporcionada por estos modelos generativos.