Cómo encontrar orden en el caos sin conocer las reglas del juego ✎ exprés

Original: "Universal Construction of Generalized Lyapunov Functions for Nonlinear Dynamical Systems Using Physics-Informed Neural Networks"
· Z. C. Tu
arXiv:2606.14174 · 2026-06-12 · arXiv non-exclusive · análisis propio · 2 min
Matemáticos han ideado una manera de dibujar un mapa de estabilidad para sistemas donde la energía no disminuye y las trayectorias se enredan en bucles.

📄 Mostrando la versión "Simple" — "Popular" aún no está lista. Añádelo a favoritos para ayudar a priorizarla.

Un puñado de arena cae sobre la mesa y cada grano rueda hacia abajo hasta detenerse en una hondonada. Así funciona el potencial: la superficie de la mesa les dice a las partículas hacia dónde moverse. Pero en un río con remolinos no hay una única depresión hacia la que todo tienda. El agua gira, regresa, serpentea. Para tales sistemas, el mapa habitual de «valles y colinas» no sirve.

Los autores del nuevo trabajo proponen una herramienta universal: la función de Lyapunov generalizada. Es simplemente un número en cada punto que nunca crece a lo largo de la trayectoria real del sistema. Si se logra encontrar tal función, se puede ver el paisaje oculto: dónde el movimiento se ralentiza, dónde se atasca y dónde lo arrastra hacia una órbita repetitiva. Antes, funciones similares se construían para casos particulares. Por ejemplo, Freidlin y Wentzell introdujeron el cuasipotencial para sistemas con ruido débil, y Ao su propio potencial para redes biológicas. Pero no existía una receta general.

La red neuronal busca el paisaje a ciegas, como un escultor que modela un relieve de arcilla al tacto, guiándose por una única regla: el agua nunca fluye cuesta arriba.

Los investigadores emplearon una red neuronal que no requiere datos, solo las propias ecuaciones del sistema. En la función de pérdida (lo que la red minimiza durante el entrenamiento) incorporaron dos condiciones: la violación de la desigualdad de Lyapunov y una condición débil de compatibilidad con el ruido. La primera vigila que la función no crezca; la segunda añade robustez frente a perturbaciones aleatorias. La red se entrenó en sistemas lineales, en la bifurcación de Hopf (modelo del nacimiento de oscilaciones), en el oscilador de Van der Pol (un péndulo con fricción no lineal) y en el flujo tridimensional del «anillo de Hopf»: dos ciclos límite acoplados en forma de lazos entrelazados.

El resultado es sorprendente: la función aprendida revelaba por sí misma la estructura del sistema. Los puntos estables y las órbitas cerradas se convertían en depresiones o mesetas, mientras que las regiones inestables eran crestas. En el caso de los ciclos entrelazados, el paisaje recordaba a dos surcos entrelazados por los que se desliza la trayectoria sin romper el descenso general. Es como una carretera de montaña en zigzag: la carretera serpentea, pero la altitud sigue disminuyendo.

El ciclo límite en el oscilador de Van der Pol es como un latido del corazón: se automantiene, no se amortigua y no requiere un empujón externo, y su forma no depende de las condiciones iniciales.

Conceptos
lyapunov exponent flujos normalizadores potencial red neuronal informada por la física nonlinear laplacian spectral analysis proceso gaussiano principio de incertidumbre generalizado análisis funcional dinámica no lineal generalización redes neuronales en mapeo espacial lagrangiano modelo probabilístico regresión lineal escalable probabilistic forecast koopman operator red aleatoria paisaje energético forma diferencial