Investigadores del MIT desarrollaron un método para incorporar restricciones físicas a modelos de aprendizaje automático de sistemas caóticos. La técnica busca evitar predicciones que se alejen de los límites posibles en sistemas como el clima, las corrientes oceánicas y los flujos turbulentos.
Restricciones físicas para las predicciones
Los modelos de procesos complejos pueden producir resultados físicamente imposibles cuando se ejecutan durante mucho tiempo. El equipo del Laboratorio de Sistemas de Información y Decisión del MIT propone añadir restricciones basadas en energía para mantener acotadas sus predicciones.
El método permite que el modelo aprenda una función similar a la energía y una región donde debe permanecer la dinámica caótica. Además, una capa de proyección impone la disipación de energía como una restricción estricta; según los investigadores, esto permite establecer garantías teóricas de que las trayectorias permanecerán acotadas durante periodos de predicción arbitrariamente largos.
Pruebas y posibles aplicaciones
El equipo probó el enfoque en distintos sistemas físicos, desde casos sencillos hasta otros multidimensionales y complejos. Según el estudio, sus resultados se aproximaron a los comportamientos reales, mientras que los métodos convencionales acabaron desviándose hacia predicciones imposibles.
La técnica podría aplicarse a distintas arquitecturas de redes neuronales y a ámbitos como la meteorología, la aeronáutica, la hidrología y procesos industriales. Los investigadores prevén continuar las pruebas en sistemas de mayor tamaño, incluidos modelos basados en datos de sistemas meteorológicos realistas.
El trabajo de Sunbochen Tang, Navid Azizan y Themistoklis Sapsis fue publicado en Proceedings of the National Academy of Sciences (PNAS). El artículo y el código abierto están disponibles en línea.
Trabajo relacionado
Otro trabajo de integrantes del equipo, presentado este año en la conferencia Learning for Dynamics and Control, recibió el premio al mejor artículo del encuentro. Además, los investigadores señalaron que buscan incorporar principios físicos al diseño de modelos de IA, y no limitarse a comprobarlos después.



