Modelos y plataformas de IA
Un marco del MIT mantiene los modelos de IA del caos dentro de límites físicos

Puntos claveEl marco impone disipación por diseño para garantizar trayectorias acotadas en ventanas…
Ver más
- El marco impone disipación por diseño para garantizar trayectorias acotadas en ventanas de pronóstico arbitrariamente largas.
- Una capa de proyección modular aplica una restricción de energía aprendida sin suprimir la variación caótica que los modelos deben capturar.
- El rendimiento con clima realista sigue sin probarse, por lo que el efecto de la garantía sobre las estadísticas a largo plazo aún está abierto.
Investigadores del MIT han desarrollado un marco de aprendizaje automático que garantiza trayectorias acotadas para modelos de IA de sistemas caóticos y aborda el problema de las simulaciones que, durante ejecuciones prolongadas, pueden desviarse hasta alcanzar valores físicamente imposibles. El MIT anunció el trabajo el 20 de noviembre de 2026.
La investigación del estudiante de posgrado Sunbochen Tang y los profesores Navid Azizan y Themistoklis Sapsis se ocupa de modelos meteorológicos y climáticos, de turbulencias y de otros procesos no lineales. Su artículo publicado en Proceedings of the National Academy of Sciences apareció en línea el 12 de octubre de 2026 y se publicó en el número de la revista del 20 de octubre de 2026.
Los sistemas caóticos son muy sensibles a las condiciones iniciales, por lo que pequeñas diferencias pueden producir resultados drásticamente distintos. Una red neuronal puede ajustarse a los datos durante un período breve y aun así fallar si se deja funcionando: los pequeños errores pueden acumularse hasta hacer que sus valores simulados crezcan sin límite, aunque el sistema real permanezca acotado. Ese comportamiento puede invalidar las estimaciones de estadísticas a largo plazo, un objetivo central de la modelización de sistemas caóticos disipativos.
Por tanto, la garantía se refiere al comportamiento acotado a largo plazo, no a la predicción exacta punto por punto en un futuro lejano. Busca preservar estadísticas válidas a largo plazo sin suprimir la compleja variabilidad que hace caótico al sistema. Como señaló Azizan: «Caos no significa que pueda ocurrir cualquier cosa. Estos sistemas suelen permanecer acotados, y sus modelos también deberían hacerlo».
Cómo funciona la restricción estricta
El marco aprende simultáneamente un emulador de la dinámica, que predice cómo evoluciona el sistema, y una representación similar a la energía. Esta representación se utiliza para construir una restricción disipativa algebraica dentro de una capa de proyección, que ajusta la evolución predicha por el modelo. Fuera de un límite aprendido, la magnitud similar a la energía debe disminuir, lo que atrae las trayectorias hacia la región acotada y permite que haya un comportamiento caótico dentro de ella.
El artículo señala que esta construcción impone la disipación por diseño y ofrece garantías formales de que las trayectorias permanecerán acotadas durante períodos de predicción de duración arbitraria. El límite de energía aprendido también proporciona una estimación externa del atractor extraño del sistema, cuya compleja geometría dificulta su caracterización directa.
Tang señaló que las penalizaciones o los incentivos suaves aplicados durante el entrenamiento no tienen por qué mantenerse cuando un modelo desplegado se enfrenta a entradas nuevas, por lo que siguen siendo posibles las predicciones no acotadas. Los límites arbitrarios pueden mantener los resultados dentro de un margen elegido, pero también pueden restringir la capacidad del modelo para representar características complejas que debería aprender de los datos. La capa de proyección es modular e independiente del modelo, por lo que puede funcionar con distintas arquitecturas de redes neuronales.
Demostraciones e investigaciones relacionadas
El MIT informa de que, en pruebas que abarcaron desde sistemas de manual hasta casos multidimensionales complejos, el método siguió de cerca los resultados reales, mientras que los métodos convencionales produjeron predicciones imposibles. Entre las demostraciones publicadas figuran Lorenz 96 y un modelo de orden reducido de la ecuación de Kuramoto–Sivashinsky, en los que el método generó predicciones acotadas a largo plazo que preservaron las estadísticas invariantes.
Un artículo relacionado sobre operadores con restricciones energéticas, de Andrea Goertzen, Tang y Azizan, se publicó el 7 de junio de 2026. En él se presentó una capa de proyección cuadrática de forma cerrada y se informó de predicciones estables a largo plazo que capturaron estadísticas invariantes en sistemas gobernados por las ecuaciones de Kuramoto–Sivashinsky y Navier–Stokes. Ambos artículos utilizan condiciones energéticas de la teoría de control para abordar predicciones cuyo crecimiento no acotado impide evaluar de manera significativa las estadísticas a largo plazo.
Disponibilidad y próxima prueba
Los algoritmos y el código informático se han depositado en GitHub, y tanto el artículo como el código de código abierto están disponibles en línea. Los investigadores esperan que otros equipos aprovechen la capa modular y la prueben en problemas más grandes y complejos.
El equipo tiene previsto probar sistemas cada vez más grandes y modelos meteorológicos realistas basados en datos. Por tanto, el rendimiento en condiciones meteorológicas realistas sigue siendo una cuestión de investigación abierta: la contribución inmediata consiste en establecer un límite formal para las simulaciones cuyo crecimiento se descontrola, mientras que las próximas pruebas deberán determinar cómo afecta esa garantía a la utilidad de las estadísticas a largo plazo de los modelos.












