Adaptive hybrid coupling with operator inference, the overlapping Schwarz alternating method and reinforcement learning

En el mundo de la ingeniería y la física, los científicos a menudo se enfrentan a una difícil elección al simular cómo se comportan los materiales o cómo se mueven los fluidos. Pueden ejecutar un modelo computacional altamente detallado y a escala completa que captura cada pequeño matiz del mundo físico, pero estos cálculos son tan pesados que tardan días o semanas en terminar, lo que hace imposible probar muchos escenarios diferentes. Alternativamente, pueden utilizar una versión simplificada y más rápida del modelo, que se ejecuta en segundos, pero este atajo a menudo pierde detalles importantes o falla cuando la situación se vuelve complicada. Durante décadas, los investigadores han intentado resolver esto dividiendo un problema grande en piezas más pequeñas, asignando el modelo rápido y simplificado a las partes fáciles y el modelo lento y detallado a las partes difíciles. Sin embargo, una limitación importante ha persistido: una vez que la computadora decide qué parte recibe qué modelo, esa decisión queda generalmente bloqueada para toda la simulación. Si una onda de choque o una grieta se mueve de un área "simple" a un área "detallada", la simulación podría fallar porque el modelo simplificado no puede manejar la complejidad repentina.

Un equipo de investigadores ha desarrollado una nueva forma de permitir que la computadora cambie de opinión mientras la simulación está en marcha. Al enseñar a un programa de computadora a actuar como un gerente inteligente, crearon un sistema que observa la simulación en tiempo real y decide instantáneamente qué partes necesitan el modelo detallado y pesado y cuáles pueden permitirse usar el modelo rápido y simplificado. Este enfoque utiliza una técnica llamada aprendizaje por refuerzo, donde la computadora aprende mediante el ensayo y error, de manera muy similar a un jugador aprendiendo un videojuego, para encontrar el mejor equilibrio entre velocidad y precisión. Los investigadores probaron este sistema en dos problemas muy diferentes: un flujo unidimensional de fluido con un frente en movimiento y una simulación tridimensional de una viga de acero vibrando bajo tensión. Descubrieron que la computadora podía rastrear con éxito características en movimiento, como una onda viajera o un frente de choque, al cambiar automáticamente el modelo de alta fidelidad a la región donde era necesario con mayor intensidad. Esto permitió que la simulación se mantuviera precisa sin el costo masivo de ejecutar el modelo detallado en todas partes, y el sistema funcionó incluso cuando fue probado en situaciones que nunca había visto antes.

El núcleo de este trabajo reside en un método llamado método alternante de Schwarz superpuesto, que es una forma de resolver un problema grande dividiéndolo en trozos más pequeños y superpuestos. Imagine un mapa grande que está cubierto por dos hojas transparentes; los bordes de las hojas se superponen, y la información se pasa de una a otra hasta que la imagen es consistente en todo el mapa. En el pasado, los investigadores asignaban un tipo específico de modelo matemático a cada hoja y lo mantenían allí. El nuevo método añade una capa de inteligencia sobre este proceso. Los investigadores entrenaron a un agente digital utilizando un tipo de inteligencia artificial conocido como red Q profunda (deep Q-network). Este agente fue expuesto a miles de diferentes escenarios de simulación y aprendió a tomar decisiones basadas en un sistema de recompensa. La recompensa era alta si la simulación era precisa y rápida, pero se penalizaba si el agente cambiaba de opinión innecesariamente, lo que desperdiciaba tiempo. El objetivo era enseñar al agente a reconocer cuándo una característica compleja, como una onda aguda o un frente en movimiento, estaba entrando en un área específica y cambiar esa área al modelo detallado justo a tiempo.

En la primera prueba, los investigadores simularon un flujo unidimensional donde un frente agudo se movía a través de una tubería. Configuraron la simulación con tres secciones superpuestas y le dieron al agente la opción de ejecutar el modelo detallado o el modelo simplificado en cada sección. El agente aprendió a mantener el modelo simplificado activo en las partes tranquilas de la tubería mientras cambiaba el modelo detallado a la sección que contenía el frente en movimiento. A medida que el frente viajaba de izquierda a derecha, el agente desplazaba sin interrupciones el modelo detallado para seguirlo. Los resultados fueron sorprendentes: el sistema inteligente logró una tasa de error cinco veces menor que la mejor disposición fija de modelos, y además corrió más rápido que usando el modelo detallado en todas partes. Curiosamente, los investigadores también probaron una versión donde el agente podía cambiar el tamaño y la posición de las secciones superpuestas mismas, no solo los modelos. Descubrieron que esta libertad adicional no mejoró realmente los resultados; el sistema funcionó mejor cuando simplemente se centró en mover el modelo detallado dentro de un diseño fijo. Esto sugiere que para este tipo de problema, la capacidad de cambiar de modelo es el factor más crítico, y remodelar constantemente la cuadrícula añade una complejidad innecesaria.

La segunda prueba pasó al mundo real de la mecánica de sólidos, utilizando una simulación tridimensional de una viga de acero dentro de un código de software especializado llamado Norma.jl. Este escenario involucraba una onda viajando a través de la viga, rebotando en los extremos y moviéndose de un lado a otro. Los investigadores configuraron la viga con dos y luego con tres secciones superpuestas, entrenando al agente para asignar los modelos detallado o simplificado a estas secciones a medida que la onda se movía. En la prueba de dos secciones, el agente asignó correctamente el modelo detallado a la sección donde la onda se encontraba actualmente y el modelo simplificado a la sección tranquila. Cuando la onda golpeó el extremo de la viga y se reflejó, el agente cambió inmediatamente el modelo detallado al otro lado para rastrear la onda de regreso. El mismo comportamiento se mantuvo en la configuración de tres secciones. Las políticas aprendidas fueron tan efectivas que redujeron el error en más de diez veces en comparación con la mejor disposición de modelos fijos, y también redujeron el tiempo total de computación en varios segundos. Crucialmente, los investigadores probaron estos agentes entrenados en nuevos escenarios con diferentes posiciones iniciales y anchos de onda que no formaban parte de los datos de entrenamiento. Los agentes generalizaron perfectamente, manejando estas situaciones no vistas con la misma habilidad, demostrando que el sistema había aprendido una regla general en lugar de solo memorizar ejemplos específicos.

El estudio también destacó la importancia de una regla específica en el proceso de entrenamiento: una penalización por cambiar de modelo con demasiada frecuencia. Sin esta penalización, el agente tendía a alternar rápidamente entre los modelos detallado y simplificado, lo cual es ineficiente y puede causar inestabilidad en la simulación. Al añadir un pequeño costo a cada cambio, los investigadores enseñaron al agente a ser más deliberado, cambiando su estrategia solo cuando la física de la situación realmente lo demandaba. Esto resultó en una simulación mucho más suave y estable que aún mantenía una alta precisión. Los investigadores señalaron que, si bien los modelos simplificados que utilizaron estaban pre-entrenados y eran fijos, la capacidad de cambiarlos en línea es un paso significativo hacia adelante. Reconocieron que el trabajo futuro podría consistir en actualizar los modelos simplificados sobre la marcha a medida que llega nueva información, pero por ahora, la capacidad de elegir dinámicamente la herramienta adecuada para el trabajo adecuado en el momento adecuado ha demostrado ser una forma poderosa de hacer que las simulaciones complejas sean más rápidas y confiables.

En última instancia, esta investigación demuestra que la inteligencia artificial puede utilizarse para gestionar el equilibrio entre la velocidad y la precisión en la computación científica. Al permitir que una computadora aprenda cuándo usar un modelo de gran capacidad y cuándo confiar en uno ligero, los ingenieros pueden simular eventos complejos y cambiantes sin esperar días para obtener los resultados. El sistema no necesita ser reentrenado para cada nuevo problema; una vez que aprende los principios generales de cómo equilibrar la precisión y el costo, puede aplicar ese conocimiento a situaciones que nunca ha encontrado. Esto abre la puerta a una optimización de diseño más rápida y a una mejor comprensión de los sistemas físicos, desde el flujo de fluidos hasta la vibración de estructuras, al hacer que las simulaciones de alta fidelidad sean prácticas para problemas que anteriormente eran demasiado costosos o lentos de resolver.