Construcción de una aproximación computacionalmente barata (surrogado o emulador) de un modelo costoso o caja negra, destinada a reproducir el comportamiento entrada–salida para tareas como optimización, cuantificación de incertidumbre o análisis de sensibilidad.

Principio

Ajustar un aproximador (proceso gaussiano, superficie de respuesta polinómica, red neuronal, base radial) a un conjunto limitado de ejecuciones del modelo costoso, cuantificar el error del surrogado o la incertidumbre epistémica, y usar el surrogado cuando la fidelidad sea suficiente para cumplir tolerancias de error específicas de la tarea.

Demostración

Entrenar un emulador por proceso gaussiano con 200 ejecuciones de un modelo por elementos finitos para predecir campos de deformación; usar el emulador dentro de un bucle de calibración bayesiana y en un optimizador global para hallar mínimos de diseño mucho más rápido que con el solver completo.

Aplicación incorrecta

Desplegar un surrogado sin validar el error predictivo en las regiones utilizadas para la toma de decisiones, o usar surrogados de interpolación muy lejos del dominio de entrenamiento, lo que conduce a predicciones excesivamente confiadas e incorrectas.

Consecuencia

Cuando se validan y cuantifican su incertidumbre, los surrogados reducen drásticamente el coste computacional de optimización, exploraciones de sensibilidad y análisis probabilísticos, permitiendo integrar modelos costosos en flujos de trabajo iterativos.

Inversión

Usar el modelo de alta fidelidad original para cada evaluación (sin surrogado) asegura fidelidad física pero puede ser inviable por coste; a la inversa, tratar el surrogado como exacto invierte el flujo de trabajo consciente de la aproximación.

Límite

Se aplica a la aproximación de mapeos entrada–salida; excluye métodos que generan modelos reducidos que preservan estados internos o la física, salvo que estén explícitamente diseñados para ello; la validez del surrogado queda limitada al dominio de entrada muestreado y a las suposiciones del aproximador.

Tensión semántica

Estrechamente relacionado con la reducción de modelos y la emulación: la modelización de sustitución se centra en reproducir salidas e incertidumbre para entradas dadas, mientras que la reducción de modelos suele buscar preservar la dinámica interna o las ecuaciones gobernantes; los términos a veces se usan indistintamente pero implican garantías distintas.

Síntesis

La modelización de sustitución construye aproximaciones informadas estadísticamente de modelos costosos ajustando funciones flexibles a datos de simulación, cuantificando y validando explícitamente el error para acelerar con seguridad la optimización, la inferencia y la UQ, reconociendo límites de dominio y fidelidad.