Una nueva IA revela reglas simples en sistemas complejos

Investigadores de la Universidad de Duke presentaron una innovadora inteligencia artificial (IA) capaz de descubrir reglas simples y comprensibles detrás de sistemas extremadamente complejos. Este sistema analiza cómo evolucionan los sistemas a lo largo del tiempo y reduce miles de variables a ecuaciones compactas que aún capturan el comportamiento real.

La IA se inspira en el trabajo de grandes "dinamicistas" de la historia, como Isaac Newton, quien desarrolló ecuaciones que vinculan la fuerza y el movimiento. De manera similar, esta IA analiza datos sobre cómo los sistemas complejos evolucionan y produce ecuaciones que describen con precisión ese comportamiento.

Lo que distingue a este enfoque es su capacidad para manejar complejidades que superan la capacidad humana. La IA puede tomar sistemas no lineales que involucran cientos o miles de variables interactivas y reducirlos a reglas más simples con muchas menos dimensiones.

El estudio, publicado el 17 de diciembre en la revista npj Complexity, introduce una poderosa herramienta para que los científicos estudien sistemas que evolucionan con el tiempo, como patrones climáticos, circuitos eléctricos, dispositivos mecánicos y señales biológicas. Según Boyuan Chen, director del General Robotics Lab y profesor asistente de ingeniería mecánica y ciencia de materiales en Duke, "el descubrimiento científico siempre ha dependido de encontrar representaciones simplificadas de procesos complicados".

Un ejemplo clásico de simplificación proviene de la física. La trayectoria de un proyectil depende de muchos factores, como la velocidad y el ángulo de lanzamiento, la resistencia del aire y las condiciones del viento. A pesar de esta complejidad, se puede capturar una aproximación cercana de su movimiento con una simple ecuación lineal que utiliza solo la velocidad y el ángulo de lanzamiento.

Este tipo de simplificación refleja un concepto teórico introducido por el matemático Bernard Koopman en la década de 1930, quien demostró que los sistemas no lineales complejos pueden representarse matemáticamente utilizando modelos lineales. El nuevo marco de IA se basa directamente en esta idea.

Sin embargo, hay un desafío importante. Representar sistemas altamente complejos con modelos lineales a menudo requiere construir cientos o miles de ecuaciones, cada una vinculada a una variable diferente. Manejar ese nivel de complejidad es difícil para los investigadores humanos.

Ahí es donde la inteligencia artificial se vuelve especialmente valiosa. El marco estudia datos de series temporales de experimentos e identifica los patrones más significativos en cómo cambia un sistema. Combina el aprendizaje profundo con restricciones inspiradas en la física para reducir el sistema a un conjunto mucho más pequeño de variables que aún capturan su comportamiento esencial.

Para probar el enfoque, los investigadores lo aplicaron a una amplia variedad de sistemas, desde el movimiento oscilante de un péndulo hasta el comportamiento no lineal de circuitos eléctricos, así como modelos utilizados en ciencia climática y circuitos neuronales. Aunque estos sistemas difieren enormemente, la IA descubrió consistentemente un pequeño número de variables ocultas que gobernaban su comportamiento. En muchos casos, los modelos resultantes eran más de diez veces más pequeños que los producidos por métodos anteriores de aprendizaje automático, mientras que aún ofrecían predicciones a largo plazo confiables.

Según Chen, "lo que destaca no es solo la precisión, sino la interpretabilidad". Cuando un modelo lineal es compacto, el proceso de descubrimiento científico puede conectarse naturalmente con teorías y métodos existentes que los científicos humanos han desarrollado a lo largo de milenios.

El marco no solo realiza predicciones, sino que también puede identificar estados estables, conocidos como atractores, donde un sistema se asienta naturalmente con el tiempo. Reconocer estos estados es crucial para determinar si un sistema está funcionando normalmente, desviándose lentamente o acercándose a la inestabilidad.

Los investigadores señalan que este método es especialmente útil cuando las ecuaciones tradicionales son inexistentes, incompletas o demasiado complejas para derivar. Sam Moore, autor principal y candidato a doctorado en el laboratorio de Chen, afirmó: "Esto no se trata de reemplazar la física, sino de extender nuestra capacidad para razonar utilizando datos cuando la física es desconocida, está oculta o es demasiado engorrosa para escribir".

De cara al futuro, el equipo explora cómo el marco podría ayudar a guiar el diseño experimental al seleccionar activamente qué datos recopilar para revelar la estructura de un sistema de manera más eficiente. También planean aplicar el método a formas de datos más ricas, incluidos video, audio y señales de sistemas biológicos complejos.

Esta investigación apoya un objetivo a largo plazo en el laboratorio de Chen para desarrollar "científicos de máquinas" que asistan en el descubrimiento científico automatizado. Al vincular la IA moderna con el lenguaje matemático de los sistemas dinámicos, el trabajo apunta hacia un futuro en el que la IA no solo reconozca patrones, sino que también ayude a descubrir las reglas fundamentales que dan forma tanto al mundo físico como a los sistemas vivos.

Este trabajo fue apoyado por la National Science Foundation Graduate Research Fellowship, el programa STRONG del Army Research Laboratory, la Army Research Office, y los programas FoundSci y TIAMAT de DARPA.