Un equipo del MIT diseñó una forma de imponer límites físicos estrictos a modelos de inteligencia artificial que simulan sistemas caóticos. Su método busca conservar la complejidad de fenómenos como la turbulencia y el clima, pero evitar que los errores acumulados produzcan predicciones que crecen sin límite.
***
- El método incorpora una función similar a la energía y una capa de proyección para mantener acotadas las trayectorias de los modelos.
- El equipo probó el enfoque en sistemas físicos conocidos y reportó resultados más cercanos a los reales que los de métodos convencionales.
- Los investigadores esperan probarlo en sistemas meteorológicos realistas y publicaron el código junto con su trabajo.
Investigadores del Instituto Tecnológico de Massachusetts (MIT) desarrollaron un método para reducir un problema persistente de los modelos de inteligencia artificial que simulan sistemas caóticos: sus predicciones pueden desviarse con el tiempo hasta producir resultados físicamente imposibles. La propuesta incorpora restricciones basadas en la energía para mantener las trayectorias dentro de límites realistas, sin eliminar la complejidad propia de fenómenos como la turbulencia o la dinámica atmosférica.
El enfoque, presentado por el equipo del Laboratorio de Sistemas de Información y Decisión del MIT, apunta a aplicaciones en clima, meteorología, flujos de fluidos y otros procesos industriales. Los investigadores lo describen en un artículo de Proceedings of the National Academy of Sciences (PNAS) y publicaron el código asociado, con la intención de que otros equipos puedan evaluarlo y adaptarlo.
El desafío de mantener predicciones caóticas dentro de límites físicos
Los sistemas caóticos son especialmente difíciles de pronosticar porque pequeñas diferencias en sus condiciones iniciales pueden conducir a resultados muy distintos. Esa sensibilidad no significa, sin embargo, que cualquier resultado sea posible: los sistemas reales suelen permanecer dentro de límites físicos, aunque sus dinámicas sean complejas y difíciles de anticipar a largo plazo.
El problema aparece cuando un modelo de aprendizaje automático reproduce datos de manera razonable durante un periodo breve, pero luego acumula pequeños errores al continuar la simulación. Según explicó Navid Azizan, profesor asociado del MIT e investigador del laboratorio, esos desvíos pueden hacer que los valores crezcan sin límite y que el modelo genere resultados que no podrían ocurrir en el sistema real.
Esta clase de deriva pone en cuestión la utilidad de los modelos en tareas donde se necesita proyectar la evolución de un fenómeno durante periodos prolongados. En dinámica de fluidos, por ejemplo, la turbulencia puede afectar los viajes aéreos, el rendimiento de los aerogeneradores y el consumo de combustible de vehículos; en meteorología, la naturaleza caótica de la atmósfera limita la precisión de los pronósticos a largo plazo.
Themistoklis Sapsis, profesor de ingeniería mecánica e investigador afiliado al laboratorio, señaló que la falta de garantías de que las respuestas permanezcan acotadas ha sido un obstáculo para aplicar modelos basados en datos a sistemas no lineales complejos. El reto consiste en incorporar límites físicos sin volver rígido el modelo ni impedir que aprenda patrones complejos que no se pueden describir con una regla simple.
Una restricción estricta basada en la disipación de energía
En lugar de fijar un tope arbitrario para cada variable, el equipo propone que el modelo aprenda una función similar a la energía a partir de los datos del sistema. En muchos sistemas caóticos, la disipación de energía ayuda a mantener las trayectorias dentro de una región limitada, incluso cuando el comportamiento interno es irregular y difícil de predecir.
El método combina esa función aprendida con un límite que define la región donde puede desarrollarse el comportamiento caótico. Después, una capa de proyección ajusta la predicción del modelo para imponer la disipación de energía como una restricción estricta; fuera de la región acotada, la cantidad similar a la energía debe disminuir, lo que impulsa al sistema simulado de vuelta hacia ella.
Según la descripción del equipo, esta construcción permite ofrecer garantías teóricas de que las predicciones permanecerán acotadas durante ventanas de pronóstico arbitrariamente largas. La diferencia importa porque el límite no depende únicamente de que el modelo haya aprendido a comportarse de cierta manera durante el entrenamiento: la arquitectura incorpora la condición física en la salida que produce.
Sunbochen Tang, estudiante doctoral del Departamento de Aeronáutica y Astronáutica y miembro del laboratorio, contrastó el enfoque con métodos que agregan penalizaciones o incentivos durante el entrenamiento. Esos mecanismos pueden orientar al modelo, pero no garantizan que cumpla las restricciones cuando recibe datos nuevos; además, imponer límites fijos, como una temperatura máxima elegida de antemano, podría impedir que represente características relevantes del sistema.
Resultados iniciales, aplicaciones posibles y próximos pasos
El equipo evaluó el método en distintos sistemas físicos conocidos, desde ejemplos sencillos hasta casos multidimensionales de mayor complejidad. En esas pruebas, los resultados se acercaron a los comportamientos observados, mientras que los enfoques convencionales tendieron a desviarse con el tiempo hacia predicciones que los investigadores califican como imposibles desde el punto de vista físico.
Los autores distinguen su propuesta de los métodos que solo incentivan el cumplimiento de una condición: la describen como una restricción dura, incorporada para que el modelo conserve la propiedad incluso ante situaciones nuevas. Esa garantía de acotación no significa que el sistema pueda anticipar con exactitud todo comportamiento futuro, pero sí busca evitar que una simulación se descontrole de forma artificial.
La estrategia también podría ser útil cuando hay pocos datos disponibles, un escenario habitual en sistemas físicos y distinto de ámbitos como el texto o las imágenes, donde existe una abundancia de ejemplos. Azizan plantea que la física aporta información adicional para construir modelos en esos casos, aunque el grupo todavía debe comprobar cómo funciona el método en aplicaciones más amplias y cercanas a operaciones reales.
Los investigadores señalan que la capa de proyección es modular e independiente de una arquitectura específica de red neuronal, por lo que podría adaptarse a diferentes modelos. El siguiente paso que mencionan es probarla en sistemas de mayor tamaño, incluidos modelos basados en datos meteorológicos realistas; el trabajo y su código abierto ya están disponibles, y un estudio posterior del equipo recibió el premio al mejor artículo en la conferencia Learning for Dynamics and Control.
Una garantía relevante, no una solución definitiva
La contribución central del trabajo es formalizar una garantía de acotación para modelos de aprendizaje automático aplicados al caos, una propiedad que los investigadores consideran necesaria en aplicaciones de alto riesgo. Esa garantía aborda una fuente concreta de fallas, pero no elimina la incertidumbre inherente a sistemas sensibles ni asegura por sí sola que cada pronóstico sea preciso.
Por eso, el valor práctico del método dependerá de las pruebas que realicen otros investigadores y de su desempeño en sistemas más grandes y variados. Los resultados iniciales respaldan la propuesta en los escenarios evaluados, pero la aplicación a predicciones meteorológicas realistas sigue siendo una línea de trabajo futura, no un resultado ya demostrado por el estudio.
El enfoque busca mantener un equilibrio: permitir que una red neuronal aprenda comportamientos no lineales complejos y, al mismo tiempo, impedir que la simulación contradiga límites físicos básicos. Si las pruebas posteriores confirman su utilidad, esa combinación podría ampliar la confianza en modelos de IA utilizados para estudiar clima, turbulencia, hidrología y procesos industriales.
En términos más amplios, los autores proponen que los principios físicos formen parte del diseño de los modelos, en vez de servir únicamente como criterios para evaluarlos después. La novedad, según el equipo, no consiste en eliminar el caos, sino en conservarlo dentro de una dinámica que no se desborde artificialmente.
Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.
Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.
ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.
Suscríbete a nuestro boletín
Artículos Relacionados
Software
Cuatro estructuras de red explican por qué algunos mensajes quedan atrapados en bucles
Estados Unidos
FBI investiga aparente hackeo de su base nacional de datos delictivos, el segundo en meses, afirma CNN
Empresas
Watco lleva los vagones autónomos TugVolt a Texas tras su despliegue en Illinois
Computación Cuántica