En l'àmbit de la simulació computacional, el modelatge substitut (surrogate modeling) s'ha consolidat com una tècnica indispensable per reduir els costos computacionals de simulacions d'alta fidelitat. Tanmateix, l'escassetat de dades d'alta qualitat continua sent un obstacle crític. La combinació d'intel·ligència artificial generativa i transfer learning ofereix una via prometedora per superar aquesta limitació, especialment quan es disposa d'abundants dades de baixa fidelitat però poques dades d'alta fidelitat. Aquest article explora un enfocament probabilístic de multi-fidelitat que integra fluxos normalitzants (normalizing flows) com a model generatiu, preentrenat en dades de baixa fidelitat i ajustat finament amb dades d'alta fidelitat. S'analitzen els seus fonaments tècnics, aplicacions en enginyeria estructural i com empreses com Q2BSTUDIO poden implementar aquestes solucions en projectes reals.
El repte principal en la construcció de substituts computacionals és la dependència crítica de la quantitat i qualitat de les dades. Les simulacions d'alta fidelitat (HF), com les d'elements finits amb malla fina, proporcionen prediccions precises però són extremadament costoses en temps i recursos computacionals. Per contra, les simulacions de baixa fidelitat (LF) són ràpides i generen grans volums de dades, però manquen de la precisió necessària per a aplicacions crítiques. La idea central del modelatge multi-fidelitat és aprofitar ambdós tipus de dades: usar l'abundància de dades LF per aprendre les tendències generals i després corregir les discrepàncies amb un nombre limitat de dades HF. Tradicionalment, això s'ha abordat amb mètodes de fusió de dades o models jeràrquics, però l'aparició de la IA generativa obre noves possibilitats.
L'enfocament proposat utilitza un flux normalitzant com a columna vertebral. Un flux normalitzant és un model generatiu que transforma una distribució simple (per exemple, una gaussiana) en una distribució complexa mitjançant una seqüència de transformacions bijectives. Això permet calcular explícitament la versemblança de les dades, facilitant l'entrenament amb màxima versemblança. En el context multi-fidelitat, el flux s'entrena primer en un gran conjunt de dades LF per aprendre un model probabilístic directe de la relació entrada-sortida. Després, s'ajusta finament (fine-tuning) amb les escasses dades HF, de manera que el model ajusta els seus paràmetres per corregir les desviacions entre les prediccions LF i la realitat HF. Aquest procés és essencialment una forma de transfer learning: el coneixement adquirit de les dades LF es transfereix i adapta al domini HF.
Una innovació tècnica clau és la integració de capes sobrejectives (dimension-reducing) amb els blocs d'acoblament estàndard. Els fluxos normalitzants tradicionals requereixen que la dimensió d'entrada i sortida sigui la mateixa (bijectivitat), cosa que limita la seva aplicació en problemes on la reducció de dimensionalitat és beneficiosa. En afegir capes sobrejectives, el model pot aprendre una representació latent de menor dimensió, eliminant redundàncies i soroll, mentre manté la capacitat de calcular versemblances exactes. Això fa que el substitut sigui més eficient i robust, especialment quan les dades d'alta fidelitat són molt escasses.
La validació del mètode s'ha realitzat en dos sistemes d'enginyeria estructural: un conjunt travessa-balast-ferrocarril i una llosa de formigó armat. En ambdós casos, es van combinar simulacions de malla gruixuda (LF) amb un nombre limitat de simulacions de malla fina (HF). Els resultats mostren que el substitut probabilístic proposat assoleix una precisió comparable a la dels models HF, amb una incertesa quantificada, i supera significativament els models basats només en dades LF. Això demostra una ruta pràctica cap a substituts impulsats per IA generativa amb eficiència en l'ús de dades.
Des d'una perspectiva empresarial, la implementació d'aquest tipus de models requereix una plataforma tecnològica robusta que integri capacitats de computació al núvol, intel·ligència artificial i ciberseguretat. Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, ofereix serveis especialitzats en IA que permeten dissenyar i implantar models de multi-fidelitat personalitzats. A més, la gestió de grans volums de dades simulades i l'entrenament de models generatius exigeixen infraestructures cloud escalables; per això, els serveis cloud AWS/Azure de Q2BSTUDIO proporcionen l'entorn adequat per a aquests processos. També la ciberseguretat és fonamental per protegir les dades de simulació i els models entrenats, especialment quan es manegen propietats intel·lectuals sensibles. Així mateix, la integració amb eines de Business Intelligence (Power BI) permet visualitzar i analitzar les prediccions del substitut de manera intuïtiva, facilitant la presa de decisions.
Un altre aspecte rellevant és la creació de aplicacions a mida que incorporin aquests models substituts com a motors de predicció en temps real. Per exemple, en un bessó digital d'una estructura, el substitut pot executar-se en mil·lisegons, permetent monitoritzar la salut estructural o realitzar anàlisis de sensibilitat instantànies. Els agents IA, com a sistemes autònoms d'optimització de disseny, poden beneficiar-se d'aquests models per explorar ràpidament l'espai de paràmetres sense recórrer a costoses simulacions HF. Q2BSTUDIO també ofereix solucions d'automatització de processos que integren aquests fluxos de treball, reduint el temps de desenvolupament i millorant l'eficiència operativa.
En conclusió, el modelatge substitut multi-fidelitat amb IA generativa i transfer learning representa un avenç significatiu per a la simulació computacional. En combinar fluxos normalitzants amb capes sobrejectives i un esquema de preentrenament i ajust fi, s'aconsegueix un equilibri entre precisió i eficiència de dades. Les empreses que adopten aquestes tecnologies, amb el suport de socis tecnològics com Q2BSTUDIO, poden accelerar els seus processos de disseny, reduir costos i obtenir avantatges competitius. La clau està en integrar de forma coherent les capacitats d'IA, cloud, ciberseguretat i BI en una plataforma unificada que permeti desplegar aquests models en producció. El futur dels substituts computacionals passa per la intel·ligència artificial generativa i l'aprenentatge per transferència, i les organitzacions que inverteixin avui en aquestes capacitats estaran millor preparades per als reptes de l'enginyeria del demà.
