Un equipo liderado por Caltech afirma haber mostrado que la inteligencia artificial puede anticipar cuándo un sistema se acerca a un punto de inflexión, y no solo seguir cambios graduales. En un nuevo artículo en Proceedings of the National Academy of Sciences, los investigadores informan que un operador neuronal recurrente predijo cambios abruptos en un modelo climático simplificado y en simulaciones de flujo turbulento sobre un ala.
Datos clave
- El estudio fue dirigido por investigadores de Caltech con la participación de la University of Colorado Boulder y NVIDIA.
- El método de IA utilizado es un operador neuronal recurrente, descrito en el artículo como dotado de memoria integrada.
- En un escenario climático simulado, el modelo pronosticó la desaparición de nubes bajas con más de dos años de antelación y un error de unos 11 días.
- El artículo también probó un flujo de aire sobre un ala con inclinación, donde el modelo predijo un punto de inflexión ligado a una caída brusca de la sustentación.
- Los autores señalan posibles aplicaciones en ciencia climática, ecología, epidemiología y diseño aeronáutico.
Qué significa para estudiantes, investigadores e ingenieros
La relevancia inmediata está en la investigación de sistemas que cambian de forma no lineal con el tiempo. El artículo sugiere que este enfoque puede ayudar a estudiar entornos en los que los métodos estándar de aprendizaje automático tienen dificultades porque la física subyacente deja de ser estacionaria.
Para estudiantes e investigadores en ciencia climática, aerodinámica y campos afines, la conclusión práctica es que el modelo se probó en sistemas simplificados que todavía no se han medido directamente en el caso climático. Eso convierte el resultado en una demostración del método, no en una herramienta de pronóstico lista para desplegarse en el mundo real. El siguiente paso para el campo es comprobar si enfoques similares de IA resisten en conjuntos de datos y aplicaciones más complejos.
El trabajo también puede ser relevante para estudios aeroespaciales, donde cambios graduales en las condiciones pueden preceder transiciones abruptas en el flujo. En la simulación del ala, la IA detectó un punto de inflexión antes de que la sustentación simulada cayera con fuerza, algo que los autores consideran potencialmente útil para la predicción y el diseño.
¿Qué demostraron exactamente los investigadores de Caltech?
Demostraron que un operador neuronal recurrente puede identificar cuándo un sistema modelado se está acercando a un punto de inflexión. Según el estudio, el método se diferencia de los modelos estándar de IA para el tiempo porque está pensado para sistemas cuyo comportamiento cambia con el tiempo, en lugar de asumir que el futuro se parecerá al pasado.
Anima Anandkumar, autora principal del artículo en Caltech, dijo que los puntos de inflexión son momentos en los que un sistema deja de volver a su estado original. El artículo sostiene que esto importa porque tales cambios pueden ser catastróficos y, en algunos casos, irreversibles.
¿Qué tan precisa fue la predicción climática?
En uno de los escenarios climáticos simulados, los investigadores estudiaron una posible pérdida de nubes bajas oceánicas impulsada por el aumento del dióxido de carbono. El modelo pudo mirar más de dos años por delante del punto de inflexión en los datos simulados y estimar su momento con un error de unos 11 días.
El resultado climático es importante porque la pérdida de cobertura de nubes bajas sumaría al calentamiento global. Pero la evidencia del artículo se limita a un modelo simplificado y a datos simulados, así que debe entenderse como una prueba de concepto y no como un pronóstico directo del clima de la Tierra.
¿Por qué importa este nuevo enfoque de IA para sistemas inestables?
Importa porque muchos sistemas reales no evolucionan de forma suave ni estacionaria. Los investigadores dicen que el operador neuronal recurrente incluye una especie de memoria que sigue cómo cambia la física, lo que le permite detectar cuándo sus propias predicciones dejan de coincidir con el comportamiento del sistema.
Ese aviso es el punto en el que un punto de inflexión puede estar cerca. El artículo dice que esto podría ser útil en ámbitos en los que un cambio gradual de condiciones produce una transición brusca, como los sistemas climáticos, los brotes biológicos o el flujo alrededor de superficies aeronáuticas.
¿Quién trabajó en el estudio y cómo se financió?
Además de Anandkumar, entre los autores de Caltech figuran los exalumnos Miguel Liu-Schiaffini y Sze Chai Leung, y la profesora de aeronáutica Jane Bae. Entre los coautores externos están Clare E. Singer, de CU Boulder, y Nikola Kovachki y Kamyar Azizzadenesheli, de NVIDIA.
El artículo señala financiación del Mellon Mays Undergraduate Fellowship; de Eric y Wendy Schmidt, a través del programa AI2050 Senior Fellow Schmidt Sciences; del fideicomisario de Caltech Charles Trimble; de la Office of Naval Research; del Carver Mead New Adventures Fund; y del Center for Autonomous Systems and Technologies de Caltech. El Pittsburgh Supercomputing Center, con apoyo de la National Science Foundation, aportó tiempo de cómputo para las simulaciones del perfil alar.
Preguntas frecuentes
¿Qué es un punto de inflexión en esta investigación?
En el marco del estudio, un punto de inflexión es el momento en que un sistema cruza a un nuevo estado y ya no puede volver a lo que era antes. El artículo aplica esa idea tanto al comportamiento climático como a las transiciones en el flujo de aire.
¿Qué usos futuros sugieren los autores?
Los autores dicen que el método puede tener aplicaciones en ciencia climática, ecología, epidemiología, diseño aeronáutico y campos relacionados en los que los sistemas pueden cambiar bruscamente después de un periodo de cambio gradual.
