Métodos Aproximados para Integrales de Alta Complejidad en Escenarios Aplicados: un Enfoque de Descomposición Híbrida Espectro-Adaptativa
DOI:
https://doi.org/10.61384/r.c.a..v5i4.1632Palabras clave:
integración numérica, problemas de alta dimensión, maldición de la dimensionalidad, descomposición del dominio, aproximación de bajo rango, métodos espectrales, matemáticas computacionales aplicadasResumen
La evaluación numérica de integrales de alta complejidad —caracterizadas por alta dimensionalidad, núcleos oscilatorios, singularidades débiles o dominios de integración complejos— sigue siendo un obstáculo fundamental en la física computacional, la ingeniería financiera y el aprendizaje automático. Los métodos clásicos, como Monte Carlo y las mallas dispersas, presentan tasas de convergencia lentas o un crecimiento exponencial del coste computacional con la dimensión (la maldición de la dimensionalidad). Este trabajo presenta un novedoso método híbrido de aproximación, denominado Descomposición Espectral Adaptativa del Dominio con Aproximación de Bajo Rango (SADDLa), diseñado para mitigar estos desafíos. La metodología principal implica un proceso de tres etapas: (1) una descomposición inteligente y anisotrópica del dominio de integración guiada por un análisis espectral de la variabilidad local del integrando, (2) una reducción de dimensionalidad mediante una aproximación separable de bajo rango del integrando en cada subdominio utilizando bases polinómicas ortogonales adaptativas, y (3) la integración precisa del integrando en forma reducida utilizando cuadratura gaussiana a medida. Se proporciona un riguroso análisis de errores a posteriori, derivando límites que dependen de la suavidad local de Sobolev del integrando y del rango de la aproximación. El análisis teórico demuestra que, para integrandos con estructura latente de baja dimensión, SADDLa reduce la complejidad computacional asintótica de O(ϵ∧-d/r) para Monte Carlo tradicional (con r≈2) a aproximadamente O(ϵ∧-1/2log∧d(ϵ∧-1)+ϵ∧-p), donde p se relaciona con la dimensión efectiva y típicamente es p≪d. Experimentos numéricos en tres escenarios aplicados —cálculo de integrales de trayectoria de Feynman en mecánica cuántica (física), valoración de opciones de cesta de alta dimensión con características de ejercicio temprano (finanzas) y evaluación de integrales de verosimilitud marginal en redes neuronales bayesianas (aprendizaje automático)— validan la eficacia del método. SADDLa supera consistentemente a los métodos de referencia (Monte Carlo, Cuasi-Monte Carlo y cuadrículas dispersas adaptativas) tanto en precisión por unidad computacional como en robustez a las características del problema
Citas
Borinsky, M., & Weinzierl, S. (2021). Numerical evaluation of Feynman integrals via series expansions. Computer Physics Communications, 265, 108020.
Longstaff, F. A., & Schwartz, E. S. (2001). Valuing American options by simulation: A simple least-squares approach. The Review of Financial Studies, 14, 113-147.
Betancourt, M. (2017). A conceptual introduction to Hamiltonian Monte Carlo. arXiv preprint arXiv:1701.02434.
Caflisch, R. E. (1998). Monte Carlo and quasi-Monte Carlo methods. Acta Numerica, 7, 1-49.
Gerstner, T., & Griebel, M. (2003). Dimension-adaptive tensor-product quadrature. Computing, 71, 65-87.
Giles, M. B. (2015). Multilevel Monte Carlo methods. Acta Numerica, 24, 259-328.
Huybrechs, D., & Olver, S. (2009). Highly oscillatory integrals. Acta Numerica, 18, 229-289.
Bebendorf, M. (2008). Hierarchical matrices. In Lecture Notes in Computational Science and Engineering (Vol. 63). Springer.
Goreinov, S. A., Tyrtyshnikov, E. E., & Zamarashkin, N. L. (1997). A theory of pseudoskeleton approximations. Linear Algebra and its Applications, 261, 1-21.
Genz, A. (1984). Testing multidimensional integration routines. In Proc. of international conference on tools, methods and languages for scientific and engineering computation (pp. 81-94).
Kolda, T. G., & Bader, B. W. (2009). Tensor decompositions and applications. SIAM Review, 51, 455-500.
Holtz, S., Rohwedder, T., & Schneider, R. (2012). The alternating linear scheme for tensor optimization in the tensor train format. SIAM Journal on Scientific Computing, 34, A683-A713.
Davis, P. J., & Rabinowitz, P. (2007). Methods of numerical integration (2nd ed.). Courier Corporation.
Dick, J., Kuo, F. Y., & Sloan, I. H. (2013). High-dimensional integration: the quasi-Monte Carlo way. Acta Numerica, 22, 133-288.
Schwab, C., & Gittelson, C. J. (2011). Sparse tensor discretizations of high-dimensional parametric and stochastic PDEs. Acta Numerica, 20, 291-467.
Bungartz, H. J., & Griebel, M. (2004). Sparse grids. Acta Numerica, 13, 147-269.
Trefethen, L. N. (2019). Approximation theory and approximation practice (Extended ed.). SIAM.
Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian processes for machine learning. MIT Press.
Glasserman, P. (2003). Monte Carlo methods in financial engineering. Springer.
Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2007). Numerical recipes: The art of scientific computing (3rd ed.). Cambridge University Press.
Conrad, P. R., & Marzouk, Y. M. (2013). Adaptive Smolyak pseudospectral approximations. SIAM Journal on Scientific Computing, 35, A2643-A2670.
Beck, C., Jentzen, A., & Kuckuck, B. (2021). An overview of deep learning-based methods for solving high-dimensional partial differential equations. arXiv preprint arXiv:2105.01375.
Lapeyre, B., & Lelong, J. (2021). Machine Learning for Quantitative Finance: Foundations and Supervised Learning. Springer.
Higham, N. J. (2002). Accuracy and stability of numerical algorithms (2nd ed.). SIAM.
Oettershagen, J. (2017). Construction of optimal cubature algorithms with applications to econometrics and uncertainty quantification (Doctoral dissertation, Universität Bonn).
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Maurizio Estefano Mendoza Martínez

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

















