Investigadores de la Universidad de Duke han desarrollado un marco de inteligencia artificial que revela reglas sencillas subyacentes a sistemas altamente complejos en la naturaleza y la tecnología. Publicado el 17 de diciembre en npj Complexity, la herramienta analiza datos de series temporales para producir ecuaciones compactas que capturan comportamientos esenciales. Este enfoque podría cerrar lagunas en la comprensión científica donde los métodos tradicionales son insuficientes.
La nueva IA, creada por un equipo liderado por Boyuan Chen, director del General Robotics Lab en la Universidad de Duke, se inspira en figuras históricas como Isaac Newton, quien formuló ecuaciones para sistemas cambiantes. Procesa datos sobre cómo evolucionan dinámicas complejas, destilando miles de variables en modelos más simples, similares a lineales, que siguen siendo precisos respecto a las observaciones del mundo real.
Basándose en la teoría de los años 1930 del matemático Bernard Koopman, que postula que los sistemas no lineales pueden representarse de forma lineal, el marco aborda un desafío clave: el enorme volumen de ecuaciones necesarias para tales representaciones. Al integrar aprendizaje profundo con restricciones basadas en la física, identifica patrones pivotales en datos experimentales, resultando en modelos hasta 10 veces más pequeños que los de técnicas previas de aprendizaje automático.
Pruebas en diversas aplicaciones —como oscilaciones de péndulos, circuitos eléctricos, modelos climáticos y señales neuronales— demostraron la capacidad de la IA para descubrir un puñado de variables gobernantes para predicciones a largo plazo fiables. «Lo que destaca no es solo la precisión, sino la interpretabilidad», señaló Chen. «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 durante milenios».
Más allá de las predicciones, el sistema detecta estados estables, o atractores, ayudando a los científicos a evaluar la salud del sistema y cambios inminentes. El autor principal, Sam Moore, candidato a doctorado en el laboratorio de Chen, explicó: «Para un dinamicista, encontrar estas estructuras es como encontrar los hitos de un nuevo paisaje». Agregó: «No se trata de reemplazar la física. Se trata de extender nuestra capacidad para razonar usando datos cuando la física es desconocida, oculta o demasiado engorrosa para anotar».
Chen enfatizó el impacto más amplio: «El descubrimiento científico siempre ha dependido de encontrar representaciones simplificadas de procesos complicados. Cada vez tenemos más los datos crudos necesarios para entender sistemas complejos, pero no las herramientas para convertir esa información en las reglas simplificadas de las que dependen los científicos. Cerrar esa brecha es esencial».
Financiado por la National Science Foundation, el Army Research Office y DARPA, el trabajo avanza hacia «científicos máquinas» para el descubrimiento automatizado. Los planes futuros incluyen optimizar la recolección de datos para experimentos y extenderse a multimedia como video y audio de sistemas biológicos.
