¿Puede la inteligencia artificial acelerar significativamente las simulaciones computacionalmente más exigentes en COMSOL Multiphysics^®?

Los modelos subrogados (“surrogate models”) COMSOL Multiphysics^® están adquiriendo cada vez más protagonismo en ingeniería, especialmente en tareas de optimización, exploración de diseños y análisis de sistemas complejos. Un reciente artículo del portal Engineering.com [1] presenta una aplicación interesante en la que se emplea este tipo de modelos:

Roland Rozsnyo, investigador de HEPIA (Ginebra), usa COMSOL Multiphysics^® para afinar la acústica de los relojes de lujo (Figura 1), concretamente el sonido que produce el martillo al golpear el gong en la repetición de minutos, ya que ese sonido debe situarse en un rango de frecuencias preferido por los compradores.

Figura 1. Geometría de un modelo subrogado en COMSOL Multiphysics® para predecir la acústica de relojes de lujo, entrenado con datos generados mediante COMSOL Multiphysics®. (Imagen: Roland Rozsnyo y publicada en el portal Engineering.com [2]).

Como optimizar los muchos parámetros implicados (posición y ángulo del martillo, material del gong, geometría de las membranas, etc.) exige evaluar el modelo una y otra vez a un coste computacional muy alto, su equipo desarrolló un modelo subrogado basado en redes neuronales (DNN, Deep Neural Network). En una primera prueba el modelo subrogado fue unas 60 veces más rápido que el modelo BEM (boundary element method) y obteniendo un ángulo óptimo muy similar (52,70° frente a 50,37°). El desarrollo no fue trivial: generar los datos llevó cuatro días en una máquina con 2,3 TB de RAM, se usó un 80 % para entrenar y un 20 % para validar, y todo el proceso de aprendizaje duró 20 días.

Este ejemplo ilustra cómo la simulación multifísica y el aprendizaje automático pueden complementarse: COMSOL Multiphysics^® permite generar datos de alta fidelidad basados en las leyes físicas, mientras que los modelos subrogados aprovechan esos datos para acelerar la exploración de diseños y los procesos de optimización. No obstante, su fiabilidad depende de la calidad y representatividad de los datos de entrenamiento, así como de una correcta validación del modelo y de su ámbito de aplicación.

Referencias

[1] COMSOL Learning Center. Surrogate models. URL: https://www.comsol.com/support/learning-center/course/introduction-to-surrogate-modeling-261/introduction-to-using-surrogate-models-94571
[2] Kenneth Wong. Engineering.com, 2026. URL: https://www.engineering.com/how-real-engineers-are-using-ai-surrogate-models-for-simulation/