En l’àmbit de la simulació de combustió supercrítica, un dels colls d’ampolla computacionals més significatius rau en l’avaluació de propietats termodinàmiques de fluids reals. Els mètodes tradicionals basats en equacions d’estat requereixen iteracions costoses per invertir la relació entre entalpia, pressió i composició, obtenint temperatura, densitat i coeficient de compressibilitat. Aquest procés, conegut com a tancament termodinàmic, es repeteix a cada pas de temps i a cada cel·la de la malla de simulació, encarint enormement els càlculs. Davant d’aquesta limitació, les xarxes neuronals han emergit com una alternativa eficient, oferint inferència a cost fix. Tanmateix, el mapatge directe des de les variables d’estat (h,p,Y) cap a (T,ρ,ψ) resulta complex en haver de capturar tant la relació entalpia-temperatura com les no idealitats de l’equació d’estat.
La reparametrització d’entrada amb alineació a l’objectiu (TAIR, per les sigles en anglès) aborda aquest desafiament de forma innovadora. En lloc d’alimentar la xarxa neuronal amb l’entalpia bruta, TAIR transforma cada coordenada d’entrada en una variable termodinàmicament més significativa: per a la xarxa de temperatura s’utilitza una estimació obtinguda invertint una aproximació de gas ideal amb cp constant; per a densitat i compressibilitat s’utilitza la densitat de gas ideal. Aquestes transformacions algebraiques, que només requereixen variables disponibles al solver i constants d’espècie, permeten que les xarxes aprenguin les desviacions del fluid real respecte a la línia base de gas ideal, en lloc de reconstruir la funció completa des de l’entalpia sense processar. Els resultats experimentals amb flames contraflux de metà-oxigen supercrític mostren reduccions de l’error RMSE de factors d’1,5 per a temperatura, 2,0 per a densitat i 7,5 per a compressibilitat, i fins a 14,5 per a densitat en condicions fora del rang d’entrenament. La clau de l’èxit rau en què les comparacions amb controls de reparametrització inconsistents amb l’objectiu confirmen que els guanys provenen del disseny termodinàmicament aparellat, no d’un simple preprocessament genèric.
Aquesta filosofia de disseny —transformar les entrades crues en coordenades amb significat físic perquè el model aprengui desviacions suaus— té aplicacions que van molt més enllà de la combustió supercrítica. A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, apliquem principis anàlegs de reparametrització i alineació de variables en múltiples dominis. Per exemple, als nostres projectes d’aplicacions a mida, sovint necessitem modelar sistemes físics complexos on la relació entre entrada i sortida és altament no lineal. En lloc d’entrenar xarxes genèriques amb dades sense processar, dissenyem transformacions basades en coneixement del domini —similar a TAIR— que redueixen la complexitat del problema d’aprenentatge. Això es tradueix en models més precisos, amb menys quantitat de dades necessàries i millor capacitat de generalització.
L’enfocament TAIR també ressona amb la nostra experiència en intel·ligència artificial i agents IA. Un agent intel·ligent que ha de predir el comportament d’un procés industrial no pot basar-se únicament en senyals brutes; necessita coordenades internes amb significat termodinàmic o cinètic. De la mateixa manera que TAIR utilitza l’entalpia de gas ideal com a referència, nosaltres construïm pipelines de dades que transformen les variables d’entrada en representacions invariants a escala o desplaçament, millorant la robustesa dels models de machine learning. Per exemple, en sistemes de control predictiu per a plantes químiques, apliquem una normalització basada en punts de referència físics —temperatura d’ebullició, pressió crítica— que accelera la convergència de l’entrenament i redueix l’error d’inferència.
La computació al núvol juga un paper fonamental en l’escalabilitat d’aquestes solucions. A Q2BSTUDIO oferim serveis cloud AWS i Azure que permeten desplegar infraestructures elàstiques capaces d’executar simulacions massives amb xarxes neuronals reparametritzades. Combinant instàncies d’alt rendiment amb emmagatzematge optimitzat, aconseguim que el cost computacional es redueixi fins a un ordre de magnitud, alhora que mantenim la fidelitat dels models de fluids reals. A més, la integració amb serveis de contenidors i orquestració facilita l’actualització contínua dels models a mesura que s’incorporen noves dades experimentals.
La ciberseguretat és un altre pilar on aquest tipus de tècniques tenen impacte. Els models predictius en entorns industrials han de ser robustos davant d’atacs adversaris que manipulin les entrades. La reparametrització termodinàmica actua com una capa de defensa natural: en dependre de transformacions algebraiques basades en constants físiques, qualsevol desviació induïda per un atac es tradueix en valors fora de rang detectables pel model. Als nostres projectes de ciberseguretat per a infraestructures crítiques, incorporem validacions semàntiques similars a TAIR per assegurar que les prediccions dels agents IA siguin coherents amb les lleis de la termodinàmica, evitant decisions perilloses.
En l’àmbit de la intel·ligència de negocis i Power BI, les idees de reparametrització també troben cabuda. En construir dashboards per monitoritzar processos industrials, sovint transformem mètriques brutas (com pressió absoluta o entalpia) en indicadors relatius (per exemple, fracció de la pressió crítica). Aquesta normalització permet que els informes siguin comparables entre diferents condicions d’operació i facilita la detecció d’anomalies. El nostre equip de BI aplica tècniques de feature engineering inspirades en TAIR per reduir la dimensionalitat de les dades i millorar la claredat de les visualitzacions.
Mirant cap al futur, la combinació de reparametritzacions termodinàmiques amb arquitectures d’aprenentatge profund obre la porta a simulacions en temps real de sistemes de combustió, motors coet i processos de conversió d’energia. A Q2BSTUDIO estem desenvolupant llibreries modulars que integren transformacions TAIR amb frameworks de xarxes neuronals com TensorFlow o PyTorch, facilitant la seva adopció per part de la comunitat científica. A més, explorem l’extensió d’aquest concepte a altres camps on l’equació d’estat és complexa, com la simulació de jaciments petrolífers o el disseny de bateries d’estat sòlid.
En resum, la reparametrització TAIR demostra que una acurada alineació entre les coordenades d’entrada i l’objectiu físic pot millorar dràsticament l’eficiència i precisió dels models d’aprenentatge automàtic. Aquest principi, que nosaltres apliquem de forma transversal als nostres serveis de desenvolupament de programari a mida, intel·ligència artificial, cloud, ciberseguretat i BI, representa una estratègia clau per abordar problemes complexos amb solucions computacionalment viables. La innovació no rau només en els algorismes, sinó en com es representen les dades; i en aquest art, la física segueix sent la millor guia.
