Investigadores de la Universidad de Duke han desarrollado un nuevo marco de inteligencia artificial diseñado para descubrir las reglas claras y fáciles de entender detrás de las dinámicas más complejas observadas en la naturaleza y la tecnología moderna.
El sistema está inspirado en el trabajo de los grandes “dinamistas” de la historia: científicos que estudian sistemas que cambian con el tiempo. Así como Isaac Newton, a menudo considerado el primer cinético, desarrolló las ecuaciones que conectan la fuerza y el movimiento, esta IA analiza datos que muestran cómo evolucionan los sistemas complejos y luego crea ecuaciones que describen con precisión ese comportamiento.
Lo que distingue a este método es su capacidad para manejar complejidades más allá de la capacidad humana. La IA puede tomar sistemas no lineales que involucran cientos o incluso miles de variables que interactúan y reducirlos a reglas más simples con muchas menos dimensiones.
Una nueva herramienta para comprender el cambio a lo largo del tiempo
El estudio fue publicado en línea en la revista el 17 de diciembre. complejidad npjPresenta una nueva y poderosa forma para que los científicos utilicen la IA para estudiar sistemas que evolucionan con el tiempo, incluidos patrones climáticos, circuitos eléctricos, dispositivos mecánicos y señales biológicas.
“El descubrimiento científico siempre ha dependido de encontrar representaciones simplificadas de procesos complejos”, dijo Boyuan Chen, director del Laboratorio de Robótica General y profesor asistente de Ingeniería Mecánica y Ciencia de Materiales de la Familia Dickinson en Duke. “Tenemos los datos sin procesar que necesitamos para comprender sistemas cada vez más complejos, pero no tenemos las herramientas para convertir esos datos en las reglas simplificadas en las que se basan los científicos. Cerrar esa brecha es esencial”.
Un ejemplo clásico de simplificación proviene de la física. La trayectoria de una bala de cañón depende de muchos factores, incluida la velocidad y el ángulo de lanzamiento, la resistencia del viento, las condiciones cambiantes del viento e incluso la temperatura ambiente. A pesar de esta complejidad, se puede obtener una aproximación cercana de su velocidad con una ecuación lineal simple que utiliza solo la velocidad y el ángulo de lanzamiento.
Construyendo sobre un concepto matemático de décadas de antigüedad
Estas simplificaciones reflejan un concepto teórico introducido por el matemático Bernard Koopman en los años treinta. Koopman demostró que los sistemas complejos no lineales se pueden representar matemáticamente mediante modelos lineales. Los nuevos marcos de IA se basan directamente en este concepto.
Pero hay un desafío importante. Representar sistemas altamente complejos con modelos lineales a menudo requiere crear cientos o incluso miles de ecuaciones, cada una asociada con una variable diferente. Ese nivel de complejidad es difícil de manejar para los investigadores humanos.
Ahí es donde la inteligencia artificial se vuelve especialmente valiosa.
Cómo la IA reduce la complejidad
El marco estudia datos de series temporales de experimentos e identifica los patrones más significativos de cómo cambia un sistema. Combina aprendizaje profundo con restricciones inspiradas en la física que comprimen el sistema a un conjunto mucho más pequeño de variables que aún capturan su comportamiento esencial. El resultado es un modelo compacto que se comporta matemáticamente como un sistema lineal sin dejar de ser fiel a la complejidad del mundo real.
Para probar el método, los investigadores lo aplicaron a una variedad de sistemas. Estos van desde el familiar movimiento oscilante de un péndulo hasta el comportamiento no lineal de los circuitos eléctricos, así como modelos utilizados en la ciencia climática y los circuitos neuronales. Aunque estos sistemas son muy diferentes, la IA ha descubierto constantemente una pequeña cantidad de variables ocultas que gobiernan su comportamiento. En muchos casos, los modelos resultantes eran más de 10 veces más pequeños que los modelos producidos por métodos anteriores de aprendizaje automático, y al mismo tiempo proporcionaban predicciones confiables a largo plazo.
“Lo que destaca no es sólo la precisión, sino también la interpretabilidad”, dice Chen, que también trabaja en ingeniería eléctrica e informática y en ciencias informáticas. “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. Es como conectar a los científicos humanos con los científicos de IA”.
Estabilidad y búsqueda de señales de advertencia.
El marco hace más que predecir. También puede identificar estados estables, conocidos como atractores, en los que un sistema se asienta naturalmente con el tiempo. Reconocer estos estados es importante para determinar si un sistema está funcionando normalmente, deriva lentamente o se dirige hacia la inestabilidad.
“Para un locomotor, encontrar estas estructuras es como encontrar puntos de referencia en un nuevo paisaje”, dijo Sam Moore, autor principal y candidato a doctorado en el Laboratorio de Robótica General de Chen. “Una vez que sabes dónde están los puntos estables, el resto del sistema empieza a tener sentido”.
Los investigadores señalan que este enfoque es particularmente útil cuando las ecuaciones tradicionales no están disponibles, están incompletas o son demasiado complejas. “No se trata de reemplazar la física”, continuó Moore. “Se trata de aumentar la capacidad de razonar utilizando datos cuando la física es desconocida, está oculta o es demasiado engorrosa para escribir sobre ella”.
Hacia los científicos de máquinas
De cara al futuro, el equipo está explorando cómo el marco puede ayudar a guiar el diseño experimental al elegir activamente qué datos recopilar para revelar de manera más eficiente la estructura de un sistema. Planean aplicar el método a formas ricas de datos, incluidos video, audio y señales de sistemas biológicos complejos.
La investigación respalda un objetivo a largo plazo en el Laboratorio de Robótica General de Chen de desarrollar “científicos de máquinas” para ayudar a automatizar los descubrimientos científicos. Al conectar la IA moderna con el lenguaje matemático de los sistemas dinámicos, el trabajo apunta a un futuro en el que la IA hará más que reconocer patrones. Puede ayudar a descubrir las leyes fundamentales que dan forma tanto al mundo físico como a los sistemas vivos.
Este trabajo fue apoyado por una beca de investigación de posgrado de la Fundación Nacional de Ciencias, el programa STRONG del Laboratorio de Investigación del Ejército (W911NF2320182, W911NF2220113), la Oficina de Investigación del Ejército (W911NF2410405), el programa DARPA FoundSci (HR0011249037) y el programa DAMTIAR 249037. (HR00112490419).
