Un intérprete en una conferencia escucha el murmullo de la sala, pero sigue traduciendo. No repite cada palabra, sino que encuentra un lenguaje intermedio donde las frases complejas se vuelven simples, pero el significado no se pierde. Así funciona la red gaussiana condicional de Koopman: enseña a la red neuronal a traducir un sistema caótico a una forma donde la predicción y la asimilación de datos se vuelven rápidas y precisas.
Antes de este trabajo, los científicos sabían predecir el caos con redes neuronales profundas o asimilar observaciones analíticamente, pero no ambas cosas a la vez. Los modelos profundos eran cajas negras: para incorporar observaciones, había que ejecutar miles de copias del modelo y promediar los resultados, acumulando errores de muestreo. Los autores proponen otro camino: construyen una red neuronal que encuentra por sí misma un lenguaje intermedio donde las variables ocultas se vuelven lineales si se conocen las observables. Entonces, para la media y la covarianza del estado oculto se escriben ecuaciones cerradas, y la asimilación de datos se convierte en un cálculo ordinario, no en un conjunto costoso.
El modelo se probó en tres sistemas donde el caos es especialmente fuerte. Para la ecuación de Burgers–Sivashinsky, que describe la inestabilidad del frente de llama, el error de pronóstico fue de 0.284 frente a 0.246 del modelo verdadero. En el sistema de Lorenz-96 con 40 variables, el error de pronóstico cayó a 0.064, mientras que la red de Koopman estándar dio 0.306. Para El Niño, el modelo predijo la temperatura de la superficie del océano con una correlación superior a 0.5 en un horizonte de 12 meses, superando al pronóstico persistente.
El traductor que aprendió el dialecto del caos no solo escucha el murmullo de la sala, sino que lo entrelaza al instante en su traducción. No traduce todo palabra por palabra, sino que encuentra un lenguaje intermedio donde las frases complejas se vuelven simples. En ese lenguaje, las variables ocultas obedecen ecuaciones lineales si se conocen las observables, y entonces la asimilación de datos se vuelve analítica. Este enfoque podría acelerar los modelos climáticos, los pronósticos geofísicos y las tareas de control donde se necesitan estimaciones rápidas de estados ocultos a partir de datos incompletos.
La ecuación de Burgers–Sivashinsky, utilizada en las pruebas, describe no solo la turbulencia, sino también la inestabilidad del frente de llama, y su versión estocástica genera eventos extremos similares a ráfagas repentinas en un flujo turbulento.