Técnica computacional que obtiene sensibilidades (gradientes) de uno o pocos objetivos escalares o restricciones respecto a muchas variables de diseño o control resolviendo un problema adjunto (linealizado, transpuesto) derivado de las ecuaciones gobernantes; el coste de obtener el gradiente completo es aproximadamente independiente del número de variables de diseño y escala con el número de objetivos (una solución adjunta por objetivo) más el coste de la solución directa.

Principio

La linealización del modelo directo y la formulación de su adjunto producen una relación en la que el producto interior del campo adjunto con las variaciones de parámetros da la sensibilidad deseada; así, una sola solución adjunta codifica información de gradiente para todos los parámetros simultáneamente, haciendo que la evaluación del gradiente sea en gran medida independiente del recuento de parámetros.

Demostración

Escenario ilustrativo → Optimización de forma aerodinámica: resolver las ecuaciones de Navier–Stokes estacionarias (primal) para un ala, derivar y resolver las ecuaciones adjuntas correspondientes para un objetivo de sustentación o resistencia, y luego calcular sensibilidades de ese objetivo respecto a miles de grados de libertad de la superficie mediante productos interiores del campo adjunto con operadores de variación geométrica. Reconocimiento → el campo adjunto localiza las regiones donde las perturbaciones afectan más al objetivo; Acción → usar el gradiente para actualizar la forma en un optimizador basado en gradientes; Consecuencia → optimización de alta dimensión eficiente comparada con aproximaciones por diferencias finitas o diferenciación directa que escalan con el número de variables.

Aplicación incorrecta

Tratar los gradientes adjuntos como automáticamente precisos cuando el problema directo no es diferenciable, es altamente discontinuo (p. ej. bifurcación, separación inducida por choque) o cuando el adjunto se implementa de forma inconsistente con la discretización del primal (mismatch continuous/discrete). El error semántico es asumir la aplicabilidad del adjunto sin verificar diferenciabilidad y consistencia adjunto–primal.

Consecuencia

Los métodos adjuntos permiten optimización basada en gradientes y estudios de sensibilidad en espacios de diseño muy dimensionales, reduciendo sustancialmente el coste computacional; sin embargo, trasladan la complejidad a la derivación, codificación y validación del adjunto, y generan gradientes engañosos si se violan supuestos del modelo (diferenciabilidad, linealización correcta, tratamiento coherente de condiciones de contorno).

Inversión

Cuando los objetivos son no diferenciables, estocásticos o cuando existen muchos objetivos (el coste escala con el número de objetivos), la eficiencia del adjunto se reduce o no es aplicable; pueden requerirse métodos alternativos (suavizado, métodos de conjunto, diferenciación automática con cuidado o métodos sin derivadas).

Límite

Claramente aplicable: modelos directos deterministas y diferenciables (continuos o discretizados) donde la derivación e implementación del adjunto pueden hacerse coherentes con el solver primal y donde el número de objetivos es pequeño en relación con el número de parámetros. Caso límite: problemas con no linealidad moderada o discontinuidades débiles en los que los gradientes adjuntos son informativos pero necesitan validación. Claramente no aplicable: solvers caja negra sin acceso a derivadas, objetivos no diferenciables o contextos donde el número de objetivos hace inviables las soluciones adjuntas.

Tensión semántica

Eficiencia Computacional ↔ Complejidad de Implementación — los métodos adjuntos ofrecen una escalabilidad computacional favorable para gradientes en muchos parámetros a costa de una derivación matemática e implementación software significativas y de sensibilidad frente a inconsistencias de modelado.

Síntesis

El análisis adjunto transforma la escala computacional de la evaluación de gradientes, pasando de dependencia del número de variables a dependencia del número de objetivos, haciendo la optimización en espacios de alta dimensión práctica para modelos diferenciables — pero aprovechar esa ventaja exige derivación cuidadosa, discretización coherente y validación de la implementación adjunta.