La red neuronal predice el futuro de un sistema, por ejemplo, cómo se arremolina el plasma en un campo magnético o cómo cambia un rostro en un video. Los errores son inevitables, y cuanto más lejos mira hacia adelante, más se acumulan. En el momento de la operación es imposible contrastar con la respuesta correcta: simplemente no existe.
Los autores del nuevo trabajo encontraron un truco tan simple como todo lo genial: entrenar un único modelo para moverse tanto hacia adelante como hacia atrás en el tiempo. El modelo recibe una bandera de dirección — "adelante" o "atrás" — y da un paso. Y ahora lo principal: si se dan i pasos hacia adelante y luego i pasos hacia atrás, el modelo debe regresar al estado inicial. Cualquier desviación es la estimación del error acumulado. No se necesitan datos adicionales, ni conjuntos de decenas de modelos, ni el conocimiento de las ecuaciones de la física.
El método se probó en tres tareas completamente diferentes: magnetohidrodinámica compresible (es decir, plasma que se comporta como un líquido en un campo magnético), una capa astrofísica de mezcla turbulenta y videos comunes de rostros humanos. En todos los casos, la señal del paso inverso predijo con precisión el error real. Por ejemplo, en los datos de magnetohidrodinámica, la correlación de rangos de Spearman entre el error predicho y el real alcanzó 0.91–0.98 a una profundidad fija. Y un simple calibrador, entrenado con una sola trayectoria, predijo la magnitud del error con una precisión de 1.14 veces en el 68% de los casos.
Este enfoque convierte la reversibilidad de una propiedad matemática abstracta en una herramienta práctica de confianza para los modelos generativos. Si el sistema puede regresar y verificarse a sí mismo, obtenemos una señal sobre su fiabilidad, sin control externo, sin datos de respaldo, sin conjuntos complejos. Es como un traductor que traduce una frase a otro idioma y luego de vuelta, y observa si coincide con el original. Simple, elegante y sorprendentemente efectivo.
En una de las pruebas, el vórtice turbulento de Orszag–Tang, el método detectó la salida de los límites de los datos de entrenamiento con una precisión casi perfecta (AUROC 0.98), y para el décimo paso más profundo la señal se volvió infalible.
En la película "Tenet", los personajes se movían hacia atrás en el tiempo para corregir errores del pasado; aquí el modelo hace lo mismo, pero en el mundo de los datos, y esto le ayuda a no equivocarse en el futuro.