Métodos Aproximados para Integrales de Alta Complejidad en Escenarios Aplicados: un Enfoque de Descomposición Híbrida Espectro-Adaptativa

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