El desarrollo de una nueva inteligencia artificial en la Universidad de Duke está ayudando a descifrar algunos de los sistemas más enmarañados de la naturaleza y la tecnología. Esta herramienta no se limita a hacer predicciones: revela las leyes internas que gobiernan la evolución de sistemas extremadamente complejos, desde circuitos eléctricos hasta redes neuronales.
El aporte clave de esta IA radica en su capacidad para identificar reglas matemáticas simples a partir de datos abrumadoramente complejos. En lugar de ofrecer cajas negras ininterpretables, como ocurre con muchos modelos de aprendizaje profundo, este sistema ofrece ecuaciones comprensibles que explican el comportamiento de sistemas dinámicos.
De Newton a Koopman: inspiraciones matemáticas del pasado
El enfoque parte de una tradición científica que busca reducir lo complejo a lo esencial. Tal como Newton formuló las leyes del movimiento para describir la trayectoria de una manzana cayendo del árbol, esta IA busca desentrañar los principios ocultos que regulan fenómenos caóticos.
El concepto matemático que sustenta esta tecnología proviene de Bernard Koopman, quien en la década de 1930 demostró que incluso los sistemas no lineales pueden representarse mediante modelos lineales, siempre que se amplíe el número de variables. Esta transformación, aunque elegante, generaba una complejidad inabarcable para los humanos. Allí es donde entra en juego la inteligencia artificial.
Reducción de dimensiones sin perder lo esencial
El sistema desarrollado por el equipo de Boyuan Chen, publicado en la revista Complejidad npjcombina redes neuronales profundas con restricciones inspiradas en la física. Analiza datos temporales, como los que provienen de experimentos científicos, y detecta los patrones más relevantes de evolución en el tiempo.
Imaginemos un circuito eléctrico con cientos de componentes o un sistema meteorológico con millas de variables en juego. Esta IA puede analizar su comportamiento y condensarlo en un conjunto reducido de ecuaciones que, aunque simplificadas, siguen representando con fidelidad el sistema real. Es como pasar de una novela de mil páginas a un resumen que no omite los giros argumentales cruciales.
Pruebas con sistemas diversos y complejos
Para evaluar su eficacia, los investigadores sometieron la IA a distintos escenarios: desde el movimiento oscilante de un péndulo doble (un clásico ejemplo de caos en física) hasta modelos de redes neuronales o sistemas climáticos. En todos los casos, la IA logró identificar un conjunto de variables ocultas que dominaban el comportamiento del sistema.
Uno de los resultados más notables fue la capacidad del modelo para reducir la complejidad hasta en un factor de 10 respecto a otros métodos de aprendizaje automático, manteniendo al mismo tiempo una alta precisión en sus predicciones a largo plazo.
Ventajas para la ciencia: interpretabilidad y eficiencia
Más allá de la precisión, lo que realmente entusiasma a los científicos es la interpretabilidad de los modelos generados. Al obtener ecuaciones simples, los resultados pueden relacionarse directamente con teorías físicas, químicas o biológicas ya existentes. Esto permite una colaboración natural entre el conocimiento humano acumulado durante siglos y la potencia de cálculo de la inteligencia artificial.
Según Chen, la IA actúa como un puente entre científicos humanos y sistemas demasiado complejos para ser descritos con lápiz y papel. Y como lo mencionó Sam Moore, coautor del estudio, descubrir los llamados atractores (estados estables a los que tiende un sistema) es como encontrar puntos de referencia en un territorio desconocido. Una vez identificados estos «faros», el resto del paisaje se vuelve comprensible.
Aplicaciones futuras y más allá de las ecuaciones
El potencial de esta IA no se limita a interpretar datos pasivos. Los investigadores planean dotarla de la capacidad para guiar experimentos, seleccionando qué datos recolectar para descubrir más rápidamente las estructuras ocultas de un sistema.
Otro paso será aplicarla a datos más complejos, como videos, señales auditivas o bioseñales. En el caso de sistemas biológicos, donde muchas veces las leyes fundamentales no se conocen con claridad, esta herramienta podría ofrecer una visión sin precedentes.
El proyecto forma parte de una ambiciosa meta del laboratorio de robótica general de Duke: crear «científicos automáticos» que ayuden a facilitar el descubrimiento en distintas disciplinas. No se trata de sustituir el conocimiento humano, sino de ampliar su alcance frente a problemas demasiado complejos para la mente humana sola.
Esta colaboración entre IA y ciencia recuerda a tener un asistente extremadamente atento, capaz de leer millones de libros y ofrecer una versión concisa que el investigador pueda usar para generar nuevas hipótesis, diseñar experimentos o prevenir inestabilidades en sistemas vitales como el clima o el corazón humano.
