Científicos crearon un marco que reduce datos caóticos a ecuaciones simples, capaces de predecir comportamiento futuro en biología, clima y circuitos.
Un equipo de investigadores de la Universidad de Duke desarrolló una nueva inteligencia artificial capaz de extraer reglas matemáticas simples de sistemas complejos y caóticos, desde péndulos desestabilizados hasta modelos climáticos y señales neuronales. El estudio, publicado el 17 de diciembre en npj Complexity, presenta una herramienta poderosa para automatizar el descubrimiento científico.
El sistema, diseñado en el Laboratorio General de Robótica dirigido por Boyuan Chen, se inspira en los llamados "dinámicos", físicos que estudian cómo evolucionan los sistemas con el tiempo. Siguiendo la tradición de Newton, esta IA analiza datos de series temporales y extrae ecuaciones que describen el comportamiento dinámico con sorprendente precisión.
“Tenemos los datos necesarios para entender sistemas complejos, pero no las herramientas para traducir esa información en leyes claras. Esta IA cierra esa brecha”, explicó Chen, profesor de Ingeniería Mecánica, Ciencias de Materiales, Ingeniería Eléctrica y Computación.
Cómo funciona el marco de IA: de caos a simplicidad
El sistema identifica variables ocultas que gobiernan el comportamiento de sistemas no lineales. A través de aprendizaje profundo y restricciones físicas, reduce datos caóticos a modelos compactos y lineales que no solo explican el presente, sino que predicen el futuro y detectan posibles inestabilidades.
Por ejemplo, fue entrenado con datos de un doble péndulo caótico y logró generar ecuaciones simples que anticipan sus movimientos con el tiempo. Lo mismo ocurrió con circuitos eléctricos no lineales, modelos climáticos y señales biológicas. En todos los casos, el modelo identificó estructuras internas que antes eran imposibles de detectar sin herramientas matemáticas abrumadoras.
Inspiración en Koopman y la compresión del caos
El enfoque se basa en la teoría de Bernard Koopman (1931), quien propuso que los sistemas no lineales pueden representarse con modelos lineales en espacios de dimensión elevada. Sin embargo, aplicar esa idea requiere lidiar con miles de ecuaciones, algo inviable para la mente humana. Ahí es donde entra en juego la IA de Duke: comprime el problema a un puñado de variables significativas, sin perder capacidad predictiva.
“Lo que destaca no es solo la precisión, sino la interpretabilidad”, remarcó Chen. “Esto permite conectar los descubrimientos de la IA con teorías científicas ya existentes”.
Identificar atractores y anticipar fallas
Más allá de predecir, la IA puede detectar “atractores”: estados estables hacia los cuales tiende un sistema. Esta capacidad es crucial para evaluar si un sistema está sano, desviándose o a punto de colapsar. “Es como encontrar los puntos de referencia de un paisaje desconocido”, explicó Sam Moore, autor principal y doctorando del equipo.
De la física al laboratorio automatizado
El próximo paso será aplicar este marco a nuevos dominios, incluyendo video, audio y señales biológicas en tiempo real. El objetivo final es construir “científicos de máquina”: IA que no solo reconozcan patrones, sino que formulen leyes científicas comprensibles.
“Esto no reemplaza la física, la complementa”, aclaró Moore. “Es útil cuando las ecuaciones no existen, son incompletas o imposibles de derivar”.
Con este avance, el equipo de Duke se posiciona a la vanguardia de una nueva generación de herramientas científicas que podrían transformar desde la investigación climática hasta la ingeniería biomédica.
Si llegaste hasta acá tomate un descanso con la mejor música
