Cómo elegir el mejor modelo sin leer el futuro en una bola de cristal exprés

Original: "A Closed-loop Framework to Discriminate Models Using Optimal Control"
arXiv:2603.00709 · 2026-02-28 · CC BY 4.0 · 1 min
Unos científicos han ideado un método para hacer preguntas ingeniosas al sistema una a una y así descubrir cuál de los modelos lo describe mejor.

Para entender un mecanismo, hay que moverlo. Un niño que desmonta un despertador no se limita a mirar los engranajes: hace girar la ruedecita y escucha cómo cambia el tictac. Igual hacen los científicos: en lugar de observar pasivamente, envían al sistema señales de entrada especialmente elegidas y observan la respuesta.

En el nuevo trabajo se propone un método que selecciona automáticamente la señal de entrada más "capciosa", aquella con la que las distintas hipótesis sobre el sistema dan predicciones lo más diferentes posible. Es como un examen: el profesor no hace las preguntas más fáciles, sino las que mejor revelan la diferencia entre un alumno fuerte y uno débil. El modelo matemático es como un mapa del terreno: cuanto más preciso es el mapa, mejor se puede uno orientar.

Los autores probaron su enfoque en ejemplos numéricos y luego lo aplicaron en un experimento con canales iónicos, proteínas de la membrana celular que se abren con la luz y dejan pasar partículas cargadas. Así lograron elegir con seguridad el mejor modelo entre varios candidatos.

La esencia del método: no adivinar, sino preguntar al sistema de modo que su respuesta sea inequívoca.

Este enfoque recuerda al trabajo de un investigador: para averiguar la verdad, hace preguntas cuyas respuestas difieren según la versión de los hechos. Cuanto mayor es la divergencia en las respuestas, antes se descartan las versiones falsas. El método promete acelerar la búsqueda de modelos correctos en biología, neurociencia y otras áreas donde hay pocos datos y muchas hipótesis.

Las proteínas sensibles a la luz que estudiaron los autores se usan en optogenética, una técnica que permite encender y apagar neuronas con luz.

Científicos
Andrey Markov
Conceptos
teoría del control selección de modelos control en tiempo real modelo predictivo aprendizaje autosupervisado optimización sistemas dinámicos análisis automatizado entrenamiento sensor óptico modelado estocástico predicción mecanismo de atención principio de máxima entropía datos etiquetados computadora óptica automatización tiempo real filtro de kalman sistema abierto