Mejora de FMQA mediante el diseño de datos de entrenamiento inicial considerando la cobertura marginal de bits en la codificación one-hot

En el ámbito de la optimización de caja negra, técnicas como FMQA (Factorization Machine with Quadratic-optimization Annealing) combinan un modelo sustituto basado en factorization machines con búsqueda QUBO mediante máquinas Ising. Cuando se trabaja con variables enteras o continuas discretizadas mediante codificación one-hot, el muestreo aleatorio uniforme inicial puede dejar muchos bits binarios nunca activos, lo que impide que los parámetros del modelo reciban actualizaciones directas de gradiente. Para resolver esto, se propone diseñar los datos de entrenamiento inicial garantizando la cobertura marginal completa de bits, es decir, que cada variable binaria generada por one-hot tome el valor uno al menos una vez. Dos enfoques eficaces son el muestreo por hipercubo latino (LHS) y la secuencia de Sobol, dando lugar a variantes como LHS-FMQA y Sobol-FMQA. En problemas de optimización de diseño con múltiples variables discretizadas, como los que se encuentran en ingeniería aeroespacial, con 17 y 32 variables de diseño, estos métodos lograron velocidades de crucero finales medias numéricamente superiores al FMQA base, con una ventaja más marcada en el problema de 32 variables. Esta mejora resulta especialmente relevante en entornos donde la calidad del modelo sustituto impacta directamente en la eficiencia de la búsqueda, como ocurre en el desarrollo de ia para empresas que integran agentes IA y modelos de optimización avanzados. En Q2BSTUDIO, como empresa especializada en software a medida, aplicamos estos principios en soluciones de inteligencia artificial que requieren un manejo preciso de variables discretas y una cobertura de muestreo exhaustiva. Nuestros servicios abarcan desde aplicaciones a medida hasta la implementación de servicios cloud aws y azure, pasando por ciberseguridad y servicios inteligencia de negocio con power bi, garantizando que cada componente del sistema esté optimizado para obtener resultados robustos y escalables. La correcta inicialización de los datos de entrenamiento es un factor diferencial en proyectos donde cada iteración de optimización cuenta, y nuestra experiencia en el diseño de algoritmos a medida nos permite afrontar estos desafíos con solvencia técnica.