Investigadores del MIT han publicado un método que garantiza que los modelos de IA de sistemas caóticos nunca deriven hacia estados físicamente imposibles, independientemente de cuánto dure la simulación. El trabajo, liderado por el estudiante de posgrado Sunbochen Tang y los profesores Navid Azizan y Themistoklis Sapsis en el Laboratorio de Sistemas de Información y Decisión (LIDS), aparece en Proceedings of the National Academy of Sciences [1][2]. El avance fundamental es una capa de proyección que impone la disipación de energía como una restricción estricta dentro de la arquitectura del modelo, en lugar de depender de penalizaciones suaves durante el entrenamiento [1][5].
Por qué los modelos actuales fallan en horizontes largos
Los sistemas caóticos como el tiempo meteorológico, el clima y los flujos turbulentos son altamente sensibles a las condiciones iniciales, por lo que pequeñas diferencias producen resultados drásticamente distintos [1][6]. Las redes neuronales pueden ajustarse bien a los datos a corto plazo, pero los pequeños errores se acumulan hasta que los valores simulados crecen sin límite, a pesar de que el sistema real permanece acotado [1][5]. Azizan señala que un modelo puede parecer preciso durante un periodo corto y aun así fallar cuando se ejecuta por más tiempo, produciendo predicciones que nunca podrían ocurrir en la realidad [1][6]. Esta deriva invalida las estadísticas a largo plazo, que a menudo son el objetivo principal en el modelado del clima y la turbulencia [2].
Restricciones estrictas frente a penalizaciones suaves
Intentos anteriores utilizaban penalizaciones o incentivos durante el entrenamiento para fomentar la consistencia física [1][5]. Tang explica que estas restricciones suaves solo se aplican mientras se entrena el modelo; una vez desplegado con nuevas entradas, no hay garantía de que el modelo respete los límites previstos [1][5]. Limitar simplemente las salidas a valores arbitrarios, como prohibir temperaturas superiores a 100 grados, también falla porque puede impedir que el modelo aprenda características complejas presentes en los datos [1][6]. El nuevo enfoque integra la restricción de forma estructural para que cada predicción, incluso en casos no vistos, satisfaga el límite físico [1][8].
Cómo funciona la capa de proyección
El marco de trabajo aprende simultáneamente un emulador de la dinámica y una representación del sistema similar a la energía [2][5]. Una capa de proyección modular ajusta entonces la evolución predicha: fuera de un límite aprendido, la magnitud similar a la energía debe disminuir, atrayendo las trayectorias de vuelta hacia la región acotada mientras permite la variación caótica dentro de ella [1][2]. Esta construcción impone la disipación por diseño y proporciona garantías formales de acotación de la trayectoria en ventanas de pronóstico arbitrariamente largas [2][5]. La capa es agnóstica al modelo, por lo que puede añadirse a diferentes arquitecturas de redes neuronales sin necesidad de rediseñarlas [2][5].
Qué se ha demostrado y qué queda pendiente
Las pruebas en sistemas de referencia como Lorenz 96 y un modelo de Kuramoto–Sivashinsky de orden reducido mostraron que el método seguía de cerca los resultados reales, mientras que los enfoques convencionales divergían hacia valores imposibles [2][5]. El código está disponible de forma abierta, y un artículo posterior sobre un operador con restricción de energía ganó el premio al Mejor Artículo en la conferencia Learning for Dynamics and Control [2][5]. Sin embargo, aún no se ha probado el modelado meteorológico realista; los investigadores planean evaluar el método en sistemas atmosféricos más grandes basados en datos [2][7].
Por qué esto es importante para la ingeniería y la ciencia
Las estadísticas acotadas a largo plazo son esenciales para las proyecciones climáticas, el modelado de turbulencias en aeronáutica e hidrología [1][6]. Al garantizar que las simulaciones se mantengan dentro de límites físicamente posibles, el enfoque permite a los profesionales utilizar arquitecturas avanzadas de aprendizaje automático para la predicción y el control en dominios con inestabilidades intrínsecas [1][6]. El lanzamiento en código abierto significa que otros grupos pueden integrar la capa de proyección en sus propios flujos de trabajo y probarla en los sistemas que más les interesen [5][8].
Fuentes
- New approach enables physically consistent AI models of chaotic systems …
- MIT Framework Keeps AI Models of Chaos Within Physical Bounds
- MIT researchers present method to keep AI models of chaotic systems …
- New Approach Creates Physically Consistent AI Models for Chaos
- MIT researchers develop hard constraints for AI models of chaotic systems
- MIT researchers develop a way to stop runaway predictions in AI physics …
- MIT Launches Physics-Consistent AI for Chaotic Systems
- New approach enables physically consistent AI models of…