El traductor que escucha quién manda a quién ✛
Un traductor está en una reunión donde se habla un idioma desconocido. No entiende las palabras, pero nota que cuando uno sube la voz, otro empieza a asentir un minuto después. Al principio parece casualidad, pero con el tiempo el traductor aprende a entender quién influye sobre quién. Más o menos así funciona el algoritmo Kausal, que busca relaciones causales en sistemas complejos.
El algoritmo aprovecha la idea del operador de Koopman, propuesta ya en 1931. Este operador convierte la dinámica no lineal en lineal, pero para ello hay que elegir las funciones adecuadas del estado del sistema, es decir, los observables. Antes se fijaban a mano; ahora la red neuronal los encuentra sola, como un traductor que aprende el idioma sobre la marcha.
Luego Kausal compara dos pronósticos: uno hecho solo con el historial del efecto, y otro que añade la supuesta causa. Si el segundo pronóstico es notablemente más preciso, entonces la causa realmente aporta información sobre el efecto. Así, la diferencia en los errores se convierte en una medida de la fuerza causal.
Hoy Kausal puede aplicarse a datos climáticos para entender cómo la temperatura del océano influye en la atmósfera, o a la neurociencia para identificar interacciones entre regiones del cerebro. Pero lo principal es que no requiere conocer de antemano el lenguaje del sistema: lo aprende él mismo, como un traductor que empieza con gestos y termina comprendiendo los matices de la entonación.
El operador de Koopman fue propuesto en 1931, pero solo con la llegada del aprendizaje profundo se ha podido aproximar de manera eficiente para datos reales.
La idea de elevar el sistema a un espacio donde lo complejo se vuelve simple recuerda al 'hiperespacio' de la ciencia ficción, donde las naves sortean las limitaciones del espacio ordinario. Aquí, el papel del hiperespacio lo desempeña un espacio de funciones de dimensión infinita.