Resumen Técnico: Relevancia de Operadores Contrafácticos para el Descubrimiento de EDP

1. Planteamiento del Problema

El descubrimiento de ecuaciones diferenciales parciales (EDP) basado en datos a menudo depende de métodos de regresión dispersa (p. ej., SINDy, PDE-FIND) para seleccionar términos activos de una librería candidata. Una limitación persistente de estos enfoques es la confusión entre el ajuste del residuo y la necesidad funcional. Un término puede recibir un coeficiente no nulo o reducir el residuo simplemente porque está correlacionado con otras características, porque la trayectoria excita únicamente un subespacio estrecho, o porque las estimaciones de las derivadas son ruidosas. En consecuencia, la magnitud del residuo por sí sola es un indicador poco fiable de la importancia estructural de un operador.

Además, los métodos de descubrimiento estándar suelen fallar al no considerar:

• Aliasing de Operadores: Cuando diferentes combinaciones de operadores producen residuos idénticos en un conjunto de datos específico (p. ej., trayectorias de un solo modo).
• No identificabilidad de Restricción-Nula: Cuando los operadores se anulan en la clase de restricción admisible de los datos (p. ej., campos sin divergencia), lo que hace que sus coeficientes sean no identificables.
• Falta de Diagnósticos Causales: Los métodos existentes no distinguen rigurosamente entre los términos que simplemente mejoran un ajuste y los términos que son funcionalmente necesarios para reproducir la dinámica del sistema.

2. Metodología: Intervenciones de Operadores Contrafácticos

El artículo propone un marco basado en intervenciones de operadores contrafácticos. En lugar de depender únicamente de la magnitud del coeficiente, el método prueba si un término candidato es funcionalmente necesario comparando la trayectoria "fáctica" (el modelo ajustado) con una trayectoria "contrafáctica" (el modelo con el término eliminado o perturbado).

Definiciones Principales

• Intervención: Reemplazar un operador candidato $T_j$ o su coeficiente $\alpha_j$ por una versión modificada (p. ej., eliminación).
• Respuesta Contrafáctica: La desviación $\delta_j = \|u - u^{cf}_j\|$ entre la solución fáctica $u$ y la solución contrafáctica $u^{cf}_j$.
• Relevancia: Un término $T_j$ se considera relevante solo si $\delta_j \geq \varepsilon$ para un umbral de tolerancia $\varepsilon$ especificado, relativo a una librería, clase de experimento y norma particular.

Marco Teórico

El artículo formaliza seis resultados teóricos clave:

1. Teorema de la Brecha Residuo-Contrafactual: Demuestra que el efecto de eliminar un operador está gobernado por el mapa de la EDP linealizada inversa ($L_u^{-1}$), no meramente por la magnitud del residuo. Un gran aporte al residuo no garantiza una gran desviación contrafáctica si el mapa inverso amortigua la perturbación.
2. Teorema de Decisión Certificada: Establece márgenes de error para clasificar términos como relevantes, irrelevantes o en abstención (no resueltos) basándose en los límites de error sustitutos de las aproximaciones numéricas o neuronales.
3. Teorema de Aliasing: Caracteriza la no identificabilidad a través del espacio nulo de la matriz de diseño de evaluación de operadores. Si dos vectores de coeficientes están aliased (producen la misma salida de diseño), ningún procedimiento basado en residuos puede distinguirlos.
4. Teorema de la Variedad de Restricción: Demuestra que los operadores que se anulan sobre la clase de restricción invariante de los datos (p. ej., $\nabla(\nabla \cdot E)$ para campos sin divergencia) no pueden identificarse a partir de trayectorias restringidas a esa clase.
5. Teorema de Consistencia de la Poda: Demuestra que un proceso de dos etapas —cribado de residuo disperso (para proponer un soporte candidato) seguido de eliminación contrafáctica (para podar términos irrelevantes)— recupera el soporte funcionalmente relevante bajo condiciones específicas de recuperación y margen.
6. Teorema Adjunto a Nivel de Observable: Extiende la prueba de relevancia desde las desviaciones del estado completo hacia cantidades científicas de interés específicas (p. ej., masa, energía, flujo) utilizando sensibilidades adjuntas.

Protocolo Operativo

El artículo describe un protocolo de diseño de diez pasos (D1–D10) para un descubrimiento de EDP reutilizable:

• Anclaje: Uso de regresión anclada para evitar soluciones triviales en EDP homogéneas.
• Diagnóstico de Diseño: Reporte de coherencia y proxies de valores propios restringidos para evaluar la identificabilidad.
• Cribado Conservador: Ajuste de la regresión dispersa para lograr una alta recuperación (aceptando falsos positivos) en lugar de una recuperación exacta del soporte.
• Poda Contrafáctica: Eliminación de términos del conjunto cribado y cálculo de puntuaciones de desviación para filtrar términos funcionalmente irrelevantes.
• Reporte: Declaración explícita de la librería, clase de experimento, ventana de observación, norma y umbral para cada afirmación de relevancia.

3. Validación Experimental

El marco se valida tanto en pruebas sintéticas como en conjuntos de datos geofísicos públicos.

Experimentos Sintéticos

Los casos sintéticos están diseñados para verificar mecanismos teóricos específicos:

• Brecha Residuo-Contrafactual: Demuestra casos donde un término tiene un alto aporte al residuo pero una baja puntuación de eliminación.
• Aliasing de Modo Único: Confirma que las columnas de operadores colineales (p. ej., en un sistema de reacción-difusión de un solo modo) impiden la identificación separada de los coeficientes.
• Separabilidad de Multi-Trayectoria: Muestra que añadir trayectorias diversas mejora el condicionamiento de la matriz de diseño y la separabilidad de los operadores.
• No Identificabilidad de Restricción-Nula: Valida que los operadores que se anulan en la clase de restricción (p. ej., $\nabla(\nabla \cdot E)$) producen puntuaciones de eliminación cercanas a cero y son correctamente identificados como no identificables.

Experimentos con Datos Reales

El método se aplica a campos geofísicos públicos:

1. Reanálisis Atmosférico (ERA5): Sobre la ventana de Uganda/África Oriental.
   • Resultado: El diseño de la matriz estaba mal condicionado (coherencia 0.6788, pocas muestras). El cribado disperso seleccionó ningún operador activo, y el marco reportó correctamente el resultado como no resuelto/en abstención. Esto demuestra la capacidad del método para evitar el sobreajuste cuando los datos son insuficientes.
2. NOAA OISST (Temperatura de la Superficie del Mar): Sobre el oeste del Océano Índico.
   • Resultado: El diseño estaba mejor condicionado. El cribado disperso seleccionó cinco términos ($u_x, u_y, \Delta u, |\nabla u|^2$, constante). La poda contrafáctica redujo esto a dos términos funcionalmente relevantes: el gradiente meridional ($u_y$) y el término constante. Los otros términos, aunque fueron seleccionados por la regresión, tenían puntuaciones de eliminación por debajo del umbral de relevancia.

4. Contribuciones y Afirmaciones Clave

El artículo no pretende recuperar automáticamente "leyes físicas verdaderas" a partir de los datos. En su lugar, afirma proporcionar una capa de diagnóstico rigurosa para el descubrimiento de EDP.

• Distinción de Conceptos: Separa formalmente la "utilidad del residuo" de la "relevancia del operador contrafáctico".
• Capacidad de Diagnóstico: Proporciona herramientas para detectar cuándo la recuperación del soporte es imposible debido al aliasing o a las restricciones, en lugar de tratar estos fallos como errores de optimización.
• Flujo de Trabajo de Cribado-a-Poda: Establece un contrato donde la regresión dispersa actúa como generador de candidatos y la eliminación contrafáctica actúa como el filtro de relevancia.
• Estándares de Reporte: Obliga a que cualquier conjunto de operadores descubierto se reporte como un conjunto de relevancia condicional relativo a un diseño experimental, librería y tolerancia específicos, evitando la malinterpretación de hallazgos locales como leyes físicas universales.

5. Significado

La importancia de este trabajo reside en su modestia y rigor. Aborda la naturaleza de "caja negra" de la inteligencia artificial científica actual proporcionando una base teórica para:

1. Por qué ciertos términos son seleccionados (o no) más allá de la simple minimización del residuo.
2. Cuándo un procedimiento de descubrimiento debería abstenerse de hacer una afirmación debido a la insuficiencia de datos o al condicionamiento del diseño.
3. Cómo reportar los resultados de manera que sean reproducibles y honestos respecto a las limitaciones impuestas por la clase de experimento y la librería.

El artículo concluye que, si bien no resuelve el problema del descubrimiento de EDP incondicional, ofrece un marco necesario para distinguir la necesidad funcional de la correlación estadística en el modelado científico basado en datos.