Proponemos un nuevo algoritmo de descenso de gradiente funcional que adapta su representación durante la optimización. El método logra converger a un punto estacionario bajo pérdidas suaves y a un minimizador global bajo suavidad y una condición de Polyak-Lojasiewicz, a pesar de usar aproximaciones de dimensión finita. Supera tanto al FGD con aproximación fija como a las líneas base de redes neuronales en tareas de regresión, resolución de EDP y visión por computadora.