🤖 machine learning

GENERIC-FNO: Embedding Energy Conservation and Entropy Production into Fourier Neural Operators

El artículo presenta GENERIC-FNO, el primer operador neuronal que integra la estructura completa de GENERIC de la termodinámica fuera del equilibrio directamente en el espacio de funciones mediante la construcción de condiciones de degeneración exactas a través de multiplicadores de Fourier diagonales, garantizando así la conservación de la energía y la producción de entropía con precisión de máquina a través de diversas EDP y resoluciones sin términos de penalización.

Autores originales: Jason Sulskis, Sathya Ravi

Publicado 2026-06-09

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jason Sulskis, Sathya Ravi

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 estás intentando enseñarle a una computadora a predecir cómo se mueve un fluido, cómo se propaga el calor o cómo rompe una ola. Le das a la computadora un montón de datos, y ella aprende a adivinar el siguiente paso. Pero aquí está el problema: los modelos informáticos estándar son como un niño jugando con un coche de juguete en un suelo irregular. Pueden captar la idea general, pero con el tiempo, empiezan a desviarse. Podrían hacer que el coche vaya más rápido de lo que la física permite, o podrían hacer que el calor aparezca de la nada. En el mundo real, la energía se conserva (no desaparece ni aparece de la nada), y la entropía (el desorden) siempre aumenta o se mantiene igual. Los modelos de IA estándar suelen olvidar estas reglas, lo que lleva a predicciones que parecen aceptables por un segundo, pero que se desmoronan después de un tiempo.

Este artículo presenta un nuevo modelo de IA llamado GENERIC-FNO. Piensa en él como un modelo "consciente de la física" que no solo hace conjeturas, sino que está programado intrínsecamente para obedecer las leyes de la termodinámica desde el primer momento en que se construye.

Así es como funciona, desglosado con analogías sencillas:

1. Las dos fuerzas: Lo reversible y lo irreversible

En el mundo real, las cosas suceden de dos maneras:

Reversible (Los columpios perfectos): Imagina un péndulo oscilando en el vacío. Va y viene por siempre sin perder energía. Esto es "reversible".
Irreversible (El hielo derritiéndose): Imagina una taza de café caliente enfriándose. Pierde calor hacia la habitación y nunca vuelve a calentarse espontáneamente. Esto es "irreversible" y genera entropia.

La mayoría de los modelos de IA intentan aprender ambas cosas a la vez, pero a menudo se confunden, mezclándolas o violando las reglas. GENERIC-FNO las separa claramente. Tiene dos "manos" distintas:

La Mano Reversible: Se encarga de las partes de oscilación que conservan la energía.
La Mano Irreversible: Se encarga de las partes de enfriamiento y disipación de energía.

2. El truco del "Sándwich" (La salsa secreta)

La mayor innovación del artículo es cómo obliga a estas dos manos a trabajar bien juntas sin romper las reglas.

Normalmente, si quieres que una IA siga una regla, le dices: "Oye, si rompes esta regla, te daré una mala nota" (esto se llama penalización). Pero los autores dicen que eso es como decirle a un niño: "No corras", pero dejar que corra de todos modos y solo regañarlo después. El niño sigue corriendo y, eventualmente, se estrella.

En su lugar, GENERIC-FNO utiliza una construcción de "Sándwich":

Imagina que la "Mano Reversible" es un trozo de pan.
Imagina que la "Mano Irreversible" es otro trozo de pan.
En medio, ponen un "relleno" especial (un filtro matemático).

Este relleno está diseñado para que la Mano Reversible no pueda tocar la parte de la "Entropía" (desorden) del sistema, y la Mano Irreversible no pueda tocar la parte de la "Energía". Es como construir un muro dentro de la máquina que impide físicamente que la mano equivocada toque lo que no debe.

Debido a este "muro" físico integrado en el código:

El modelo no puede crear energía de la nada accidentalmente.
El modelo no puede destruir energía accidentalmente.
No necesita ser "regañado" (penalizado) para seguir las reglas; literalmente no puede romperlas.

3. La garantía de "Precisión de Máquina"

Los autores probaron esto y descubrieron algo asombroso. Debido a que las reglas están integradas en la estructura, el modelo sigue las leyes de la física con precisión de máquina.

Analogía: Si tienes una cuenta bancaria donde las matemáticas están programadas para nunca permitir un saldo negativo, no necesitas revisar el saldo todos los días para saber que no te endeudarás. Las matemáticas mismas garantizan que no entrarás en números rojos.
En sus pruebas, la conservación de la energía del modelo fue precisa hasta 13 decimales. Es como si el modelo fuera un contable perfecto que nunca comete un error de redondeo.

4. El superpoder del "Zoom"

Una de las características más geniales es la Super-Resolución.

Analogía: Imagina que le enseñas a un niño a dibujar un mapa de una ciudad usando una cuadrícula pequeña de baja resolución (como una cuadrícula de 10x10 píxeles). Normalmente, si le pides que dibuje la misma ciudad en una pantalla enorme de alta definición (256x256 píxeles), se perdería o el dibujo se vería borroso.
GENERIC-FNO es diferente. Debido a que aprendió las reglas de la ciudad (la física) en lugar de solo memorizar los píxeles, puede mirar la cuadrícula pequeña y dibujar instantáneamente una versión de alta definición perfecta de la ciudad sin necesidad de entrenamiento adicional. Funciona bien tanto en cuadrículas pequeñas como en cuadrículas gigantes.

de la "Libertad de Calibración" (Un punto sutil)

El artículo menciona un concepto complicado llamado "Libertad de Calibración" (Gauge Freedom).

Analogía: Imagina que describes un viaje. Puedes decir: "Caminé 5 millas al Norte", o "Caminé 5 millas al Norte y luego 10 millas al Este, pero la Tierra rotó de modo que terminé en el mismo lugar". Ambas descripciones llevan al mismo resultado, pero los números se ven diferentes.
En este modelo, la IA aprende "Energía" y "Entropía", pero no hay una sola forma correcta de definirlos matemáticamente. Los autores admiten que, aunque el resultado (el movimiento del fluido) es perfecto, los números específicos que la IA asigna a la "Energía" pueden variar dependiendo de cómo se mire.
Sin embargo, crearon un "detector" especial que ignora estos números confusos y simplemente comprueba: "¿Está este sistema perdiendo energía (disipándose) o solo oscilando de un lado a otro (reversible)?". Este detector funciona perfectamente y dice la verdad sobre la física, independientemente de la matemática confusa que haya debajo.

6. Donde tiene dificultades (Las limitaciones honestas)

Los autores son muy honestos sobre en qué aspectos el modelo aún no es perfecto.

El problema del "Deslizamiento Puro": Si tienes un sistema que es perfectamente reversible (como un tobogán sin fricción), el modelo es ligeramente menos preciso que una IA estándar "sin restricciones".
¿Por qué? Porque la IA estándar tiene permitido "hacer trampa" un poco para ajustarse perfectamente a los datos. GENERIC-FNO se niega a hacer trampa porque está sujeta a las reglas. Es como un chef estricto que se niega a añadir sal extra para que el plato sepa mejor, aunque al cliente le guste. El plato es "físicamente correcto", pero tal vez no sea el "mejor sabor" para ese conjunto de datos específico.
El problema de la "Cuadrícula Gruesa": Si intentas ejecutar el modelo en una cuadrícula de muy baja calidad o borrosa, las matemáticas se vuelven un poco inestables. Los autores descubrieron que esto se debe al método de "pasos" que utilizan para avanzar en el tiempo, no a las reglas de la física en sí.

Resumen

GENERIC-FNO es un nuevo tipo de IA que construye las leyes de la termodinámica (conservación de la energía y entropía) directamente en su esqueleto.

No solo aprende a predecir; aprende a predecir correctamente de acuerdo con las leyes de la física.
Funciona en cuadrículas pequeñas y gigantes sin necesidad de reentrenamiento.
Evita el "desvío" que hace que otros modelos de IA fallen durante periodos largos.
Sacrifica un poco de potencia de ajuste bruto por la garantía de que la física nunca se romperá.

Es un paso hacia una IA que no solo imita al mundo, sino que respeta las reglas fundamentales que mantienen unido al universo.

Resumen Técnico: GENERIC-FNO

Planteamiento del Problema

Los operadores neuronales, como el Operador de Red de Fourier (FNO) y DeepONet, han demostrado éxito como sustitutos de operadores de solución de ecuaciones diferenciales parciales (PDE), aprendiendo mapas entre espacios de funciones que se generalizan a través de distintas discretizaciones. Sin embargo, al desplegarse de forma autorregresiva para predecir trayectorias largas, los operadores neuronales sin restricciones acumulan errores que no son meramente numéricos, sino físicos. Carecen de una noción inherente de las leyes de conservación y disipación, lo que conduce a derivas de energía y al aumento espurio de cantidades que deberían decaer monótonamente.

Si bien los métodos existentes de preservación de estructura en el espacio de funciones imponen leyes de conservación únicas o dinámicas puramente reversibles (hamiltonianas), fallan al capturar la producción de entropía irreversible esencial para los procesos disipativos reales. Por el contrario, el aprendizaje termodinámicamente consistente basado en el formalismo GENERIC (Ecuación General para el Acoplamiento Reversible-Irreversible del No Equilibrio) se ha limitado en gran medida a vectores de estado de dimensión finita, grafos o sistemas de partículas. Ningún operador neuronal existente integra la estructura completa de GENERIC —acoplando la dinámica reversible y conservadora de la energía con la dinámica irreversible y productora de entropía mediante condiciones de degeneración— directamente en el espacio de funciones.

Metodología: GENERIC-FNO

Los autores presentan GENERIC-FNO, el primer operador neuronal que integra la estructura completa de GENERIC en el espacio de funciones. La dinámica de un campo $u(x,t)$ se modela como:
$\partial_t u = L \frac{\delta E}{\delta u} + M \frac{\delta S}{\delta u}$
donde $E$ es el funcional de energía, $S$ es el funcional de entropía, $L$ es un operador antisimétrico (reversible) y $M$ es un operador semidefinido positivo (irreversible). La consistencia termodinámica (las dos primeras leyes) está garantizada por dos condiciones de degeneración: $L \frac{\delta S}{\delta u} = 0$ y $M \frac{\delta E}{\delta u} = 0$ .

Componentes Arquitectónicos Clave

Funcionales Aprendidos: La energía $E_\theta[u]$ y la entropia $S_\phi[u]$ se aprenden como operadores neuronales de valor escalar. Estos mapean el campo de entrada a una densidad de características, seguido de un promedio espacial y una pequeña cabeza MLP. Este promedio espacial asegura que los funcionales sean independientes de la resolución. Sus derivadas variacionales ( $\delta E/\delta u$ , $\delta S/\delta u$ ) se calculan mediante diferenciación automática de modo inverso.
Operadores de Preservación de Estructura por Construcción: En lugar de aprender matrices densas que escalan con el tamaño de la rejilla, $L$ $L$ y $M$ $M$ se parametrizan como multiplicadores de Fourier diagonales que actúan sobre una banda fija de modos de baja frecuencia.
- La base del operador reversible es antisimétrica ( $i a(k)$ ).
- La base del operador irreversible es semidefinida positiva ( $|b(k)|^2$ ).
Ejecución Exacta de la Degeneración: Para satisfacer las condiciones de degeneración exactamente sin términos de penalización o proyección del paso final, los autores "sándwichan" los multiplicadores diagonales entre proyecciones de rango uno de $L^2$ $L^{2}$ .
- El operador reversible $L$ se proyecta fuera de la dirección del gradiente de la entropía: $L = (I - P_S) D_L (I - P_S)$ .
- El operador irreversible $M$ se proyecta fuera de la dirección del gradiente de la energía: $M = (I - P_E) D_M (I - P_E)$ .
- Esta construcción asegura que $L \frac{\delta S}{\delta u} = 0$ y $M \frac{\delta E}{\delta u} = 0$ se cumplan exactamente (hasta la precisión de la máquina) para cualquier inicialización, dimensión o resolución.

Invariancia de Calibración y Diagnósticos

El artículo reconoce que la tupla $(E, S, L, M)$ que realiza un flujo dado no es única (libertad de calibración o gauge freedom). Aunque las garantías estructurales son invariantes ante la calibración, la atribución de la dinámica a canales reversibles o irreversibles no lo es. Para abordar esto, los autores introducen un diagnóstico de disipación invariante de calibración ( $r_{mech}$ ) basado en una energía cuadrática fija $Q[u] = \frac{1}{2}\|u\|^2$ , en lugar de los funcionales aprendidos. Esta métrica distingue la dinámica genuinamente reversible de la disipativa independientemente de la descomposición aprendida.

Principales Contribuciones

Primer Operador GENERIC en Espacio de Funciones: El primer operador neuronal que integra la estructura completa de GENERIC (energía/entropía aprendidas y operadores reversibles/irreversibles acoplados) en el espacio de funciones, permitiendo el aprendizaje termodinámicamente consistente para teorías de campos.
Degeneración por Construcción: Una nueva parametrización utilizando multiplicadores de Fourier diagonales con proyecciones tipo sándwich que impone las condiciones de degeneración de forma exacta. Esto elimina la necesidad de penalizaciones suaves, proyecciones de actualización o residuales libres, asegurando que las identidades estructurales se cumplan con precisión de máquina ( $\sim 10^{-13}$ ) independientemente de la inicialización o la resolución.
Diagnósticos Invariantes de Calibración: Identificación de la no unicidad de la descomposición aprendida y la propuesta de un diagnóstico falsable e invariante de calibración para medir la disipación física sin referencia a las cantidades aprendidas.
Independencia de Resolución y Dimensión: Demostración de que las garantías estructurales exactas y la precisión se transfieren zero-shot a través de un rango de superresolución de $4\times$ (ej. $64 \to 256$ ) y a través de dimensiones espaciales (1D y 2D).
Estudio Empírico Exhaustivo: Evaluación a través de tres arquitecturas de base (2D FNO, 1D FNO, DeepONet) y cuatro ecuaciones diferenciales parciales (Calor, Advección, Burgers, Onda Amortiguada), reportando explícitamente dónde las restricciones estructurales mejoran la precisión y dónde incurren en costos.

Resultados Experimentales

El modelo fue evaluado en cuatro PDE que abarcan regímenes reversibles, disipativos y mixtos:

Precisión y Estabilidad: En problemas disipativos (Calor) y mixtos (Burgers, Onda Amortiguada), GENERIC-FNO superó a las líneas base sin restricciones y con penalización de energía, a menudo con menos parámetros. Por ejemplo, en la arquitectura 2D FNO, redujo el error de despliegue (rollout) de Burgers en un 85% comparado con el FNO estándar.
Estabilidad de Largo Horizonte: En despliegues de 200 pasos (mucho más allá del horizonte de entrenamiento de 15 pasos), las líneas base sin restricciones divergieron significativamente (la energía creció $\approx 9\times$ para el Calor), mientras que GENERIC-FNO se mantuvo acotado y físicamente admisible.
Superresolución: El modelo mantuvo una alta precisión y garantías estructurales cuando se evaluó zero-shot en rejillas hasta $4\times$ más finas que la rejilla de entrenamiento.
Transporte Reversible: En advección lineal pura (un sistema puramente reversible), GENERIC-FNO mostró un error ligeramente mayor que las líneas base sin restricciones en la arquitectura FNO. Los autores atribuyen esto a que la restricción impide que el modelo utilice su canal irreversible para la flexibilidad de ajuste, combinado con limitaciones del integrador explícito en rejillas gruesas.
Diagnósticos de Disipación: El diagnóstico invariante de calibración $r_{mech}$ identificó correctamente el sistema reversible (valor $\approx 0$ ) y recuperó el orden correcto de la disipación física real en todas las PDE.

Significado y Afirmaciones

El artículo afirma que GENERIC-FNO cierra la brecha entre el aprendizaje termodinámicamente consistente (previamente limitado a sistemas de dimensión finita) y los operadores neuronales para espacios de funciones. Al imponer las dos primeras leyes de la termodinámica por construcción en lugar de mediante penalización, el método asegura que la dinámica aprendida permanezca en la variedad físicamente admisible.

Los autores enfatizan que las garantías estructurales son exactas y transferibles, haciendo que el modelo sea robusto para predicciones de largo horizonte donde los sustitutos sin restricciones fallan. Expresan explícitamente los compromisos: el método puede reducir la expresividad en tareas de transporte puramente reversibles si la arquitectura carece de capacidad, y la implementación actual utiliza un integrador explícito que limita la precisión en rejillas gruesas para sistemas reversibles. Sin embargo, la capacidad de aprender la dinámica termodinámicamente consistente en el espacio de funciones sin términos de penalización representa un paso significativo hacia sustitutos estables y físicamente fundamentados para problemas de campos complejos, como los encontrados en la turbulencia y fluidos complejos.