Modelos sustitutos adaptativos mejorados por gradientes de procesos gaussianos para problemas inversos

Generar datos de entrenamiento simulados necesarios para construir modelos sustitutos suficientemente precisos que se utilicen para una optimización eficiente o identificación de parámetros puede implicar un gran esfuerzo computacional en la fase offline. Consideramos un enfoque totalmente adaptativo y codicioso para el problema de diseño computacional de experimentos utilizando regresión de procesos gaussianos mejorados por gradientes como sustitutos. Los diseños se definen incrementalmente al resolver un problema de optimización para la precisión dado un cierto presupuesto computacional. Abordamos no solo la elección de los puntos de evaluación, sino también la precisión de simulación requerida, tanto de los valores como de los gradientes del modelo directo. Los resultados numéricos muestran una reducción significativa del esfuerzo computacional en comparación con diseños simplemente adaptativos por posición y diseños estáticos, así como un claro beneficio de incluir información de gradientes en el entrenamiento del sustituto.