Cómo extraer las leyes de la naturaleza del ruido exprés
Una grabación de dictáfono de una plaza urbana. Se oye el murmullo de la multitud, pasos, fragmentos de conversaciones, el ruido de los coches. En algún lugar de esa mezcla de sonidos, un músico callejero toca una melodía simple con una flauta. No es fácil oírla: hay demasiado mezclado.
Más o menos este es el problema que resuelve el nuevo algoritmo llamado Edwin (compresión de máxima entropía con descubrimiento de modelos no lineales interpretables). Toma datos multidimensionales —por ejemplo, cientos de lecturas de sensores o miles de píxeles de un video— y busca en ellos una simplicidad oculta. Primero, el algoritmo comprime los datos hasta unas pocas variables clave, como si aislara el sonido puro de la flauta de una grabación ruidosa. Luego, deduce las ecuaciones que describen cómo cambian esas variables con el tiempo. Y todo esto sin perder el vínculo con la realidad: cada variable permanece ligada a cantidades medibles, no se convierte en un número abstracto.
Los autores probaron el método en seis sistemas diferentes. Entre ellos: el movimiento aleatorio de partículas, el autoensamblaje de moléculas, la pulsación de un grupo de neuronas e incluso un experimento real con complejos de ARN y liposomas, donde los datos eran ruidosos. En cada caso, Edwin produjo una ecuación corta que no solo se ajustaba a los números, sino que tenía sentido físico. Por ejemplo, para la difusión derivó una ley similar a la ecuación del calor, y para las neuronas, un modelo que recuerda a un péndulo con fricción.
La gran sorpresa fue su poder predictivo. Los modelos encontrados en unas condiciones funcionaron en otras en las que el algoritmo no había sido entrenado. Es como si, al oír una melodía a un tempo, la reconocieras a otro tempo y tocada por otro instrumento. Esto significa que Edwin realmente capta la esencia del fenómeno, no solo memoriza los datos.
Este enfoque podría cambiar la forma en que los científicos buscan leyes en sistemas complejos, desde el clima hasta las redes biológicas. En lugar de adivinar qué variables son importantes y ajustar ecuaciones manualmente, se puede confiar esta tarea a un algoritmo que actúa como un oyente experto que extrae la melodía del ruido.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2605.16724
Models (i.e., governing equations) are fundamental to science and engineering. Advances in data acquisition now make it possible to extract interpretable, low dimensional descriptions from high dimensional observations. However, existing approaches sacrifice either interpretability for reconstruction accuracy or infer symbolic dynamics without relating latent coordinates to physically meaningful observables. Here we present Edwin (maximum entropy driven compression with interpretable nonlinear model discovery), a unified framework that simultaneously performs dimensionality reduction using the dynamic maximum entropy (DME) principle and discovers sparse symbolic models governing latent dynamics, as well as the coupling between learned features and external metadata. We validate Edwin on diverse simulated systems, including stochastic diffusion, the Ornstein-Uhlenbeck process, self assembling particles, spiking neural populations, and low rank recurrent neural networks, as well as on a noisy experimental time series of aggregating RNA-liposome complexes. Across all systems, Edwin recovers low dimensional symbolic models that are physically interpretable and generalize to unseen conditions. Together, these results establish Edwin as a powerful framework for inferring interpretable, low dimensional dynamics directly from high dimensional data.
El nombre Edwin no es una abreviatura, sino una referencia al astrónomo Edwin Hubble, quien descubrió la expansión del universo al encontrar un patrón simple en datos aparentemente caóticos sobre el movimiento de las galaxias.
En la novela «Contacto» de Carl Sagan, los extraterrestres transmiten los planos de una máquina ocultos en el ruido de una señal de radio, de manera similar a como Edwin extrae una estructura significativa del caos.