## [Análisis Adjunto de Sensibilidades](/es/node/65081) Definición 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 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 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 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 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 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 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 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 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.