Un intérprete en una conferencia oye el ruido 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 el pronóstico y la asimilación de datos se vuelven rápidos y precisos.
Antes, los científicos sabían o 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 en ellos, 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 latentes se vuelven lineales si se conocen las observables. Entonces, para la media y la covarianza del estado latente se escriben ecuaciones cerradas, y la asimilación de datos se convierte en un cálculo ordinario, no en un conjunto costoso.
El traductor que aprendió el dialecto del caos no solo oye el ruido de la sala, sino que lo incorpora 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 latentes 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 latentes 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.