Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations

El marco SymLang integra gramáticas restringidas por simetría, síntesis de programas guiada por modelos de lenguaje y selección de modelos bayesiana regularizada por MDL para descubrir ecuaciones gobernantes interpretables y físicamente consistentes a partir de observaciones ruidosas y parciales, logrando una recuperación estructural exacta del 83,7% en sistemas dinámicos diversos.

Lo esencial

Imagina que eres un detective en un laboratorio gigante. Tu trabajo es descubrir las "leyes secretas" que gobiernan el universo, como la gravedad o cómo se mueve un péndulo. Pero hay un problema: los datos que tienes son como un mensaje de texto enviado por un niño pequeño mientras corre: está lleno de errores (ruido), faltan palabras (variables ocultas) y a veces hay varias formas de escribir la misma frase que parecen correctas.

Antes, los científicos usaban dos tipos de herramientas para resolver este misterio:

1. El método de "prueba y error" (como SINDy): Era como intentar adivinar la ley probando millones de combinaciones de palabras al azar. Funcionaba, pero era lento y a veces encontraba leyes que parecían matemáticas pero que no tenían sentido físico (como decir que "la velocidad es igual a una manzana").
2. El método de "inteligencia artificial pura" (como las redes neuronales): Era como tener un genio que memoriza todo lo que ve y puede predecir el futuro perfectamente, pero no puede explicarte por qué. Es una "caja negra": sabes que funciona, pero no puedes leer la ley escrita en papel.

SymLang es el nuevo detective que combina lo mejor de ambos mundos. Aquí te explico cómo funciona usando una analogía sencilla:

1. El Filtro de Seguridad (Gramática Simétrica)

Imagina que SymLang tiene un filtro de seguridad muy estricto antes de empezar a escribir.

• La analogía: Piensa en que estás construyendo una casa. Las reglas de la física dicen que no puedes poner el techo en el suelo ni usar madera para hacer un puente de acero.
• En la práctica: SymLang usa las leyes de la física (como la conservación de la energía o la simetría) para descartar el 71% de las ideas locas antes de siquiera intentar probarlas. Si una ecuación propuesta viola las unidades (mezclar metros con segundos) o la simetría, el filtro la tira a la basura inmediatamente. Esto ahorra muchísimo tiempo y evita errores tontos.

2. El Asistente Inteligente (Modelo de Lenguaje)

Una vez que el filtro ha eliminado las ideas imposibles, SymLang usa un asistente muy inteligente (un modelo de lenguaje de IA, como un Chatbot muy avanzado) para encontrar la solución.

• La analogía: En lugar de buscar en una biblioteca infinita de libros al azar, le das al asistente un resumen de lo que has observado ("el objeto se mueve rápido al principio y luego frena"). El asistente, que ha leído millones de libros de física, sugiere: "¡Oye, esto suena mucho a la ley de la fricción!".
• En la práctica: La IA no adivina al azar; usa los datos que tienes para proponer solo las estructuras de ecuaciones que tienen más sentido, navegando eficientemente por el espacio de posibilidades que dejó el filtro.

3. El Juez Estricto (Selección de Modelos y Dudas)

Aquí viene la parte más genial. La mayoría de los métodos te dicen: "¡Esta es la respuesta correcta!". Pero SymLang es un detective honesto.

• La analogía: Imagina que dos sospechosos parecen inocentes y culpables al mismo tiempo. Un mal detective diría: "Es el de la izquierda". SymLang diría: "Espera, los datos no son suficientes para decidir. Podría ser el de la izquierda, o el de la derecha, o ambos. Necesitamos más pruebas".
• En la práctica: SymLang no solo te da una ecuación, sino que te dice qué tan seguro está. Si los datos son confusos, te muestra varias opciones con sus probabilidades. Esto evita que los científicos se equivoquen creyendo en una ley falsa solo porque la computadora lo dijo con confianza.

¿Por qué es un gran avance?

En pruebas con 133 sistemas diferentes (desde planetas orbitando hasta epidemias de virus), SymLang ha demostrado ser:

• Más preciso: Encuentra la ley correcta incluso cuando los datos están muy ruidosos (con mucho "estático").
• Más honesto: Si no puede encontrar la respuesta, te avisa en lugar de inventar una.
• Más eficiente: Necesita mucha menos información para llegar a la conclusión que los métodos anteriores.

En resumen: SymLang es como tener un equipo de investigación donde un inspector de seguridad (las leyes de la física) elimina lo imposible, un consultor experto (la IA) sugiere las mejores ideas, y un juez cauteloso (la estadística) asegura que no nos equivoquemos. El resultado es que podemos descubrir las leyes del universo de forma más rápida, segura y honesta, incluso cuando los datos son imperfectos.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations" (Síntesis de Programas Guiada por Lenguaje y Constrained por Simetría para Descubrir Ecuaciones Gobernantes a partir de Observaciones Ruidosas y Parciales), presentado en español.

---

Resumen Técnico: SymLang

1. El Problema

El descubrimiento automático de leyes físicas compactas (ecuaciones simbólicas) a partir de datos experimentales es un objetivo fundamental de la ciencia cuantitativa. Sin embargo, los métodos actuales enfrentan tres desafíos críticos que limitan su aplicabilidad práctica:

• Ruido y Derivadas: Las mediciones experimentales suelen ser ruidosas, lo que corrompe las estimaciones de derivadas necesarias para inferir dinámicas.
• Observabilidad Parcial: A menudo, no todas las variables de estado del sistema son observables, lo que hace que la recuperación directa de la dinámica subyacente sea un problema mal planteado (ill-posed).
• Incertidumbre Estructural: Cuando múltiples estructuras simbólicas explican los datos por igual dentro de la incertidumbre estadística, los métodos existentes tienden a devolver una única "mejor" ecuación, ignorando la ambigüedad estructural y llevando a conclusiones científicas erróneas.

Además, enfoques previos como la regresión simbólica genética (costosa y sin incertidumbre) o la regresión basada en bibliotecas fijas (como SINDy, que no puede descubrir ecuaciones fuera de su biblioteca) carecen de una integración rigurosa de las leyes físicas (simetrías, análisis dimensional) antes de la búsqueda.

2. Metodología: El Marco SymLang

Los autores proponen SymLang, un marco unificado que integra tres ideas previamente separadas en una tubería (pipeline) modular de cinco etapas:

A. Gramáticas Constrained por Simetría (Fase 1-3)
En lugar de buscar en un espacio simbólico infinito, SymLang construye una gramática libre de contexto (CFG) tipada que codifica restricciones físicas como reglas de producción "duras":

• Análisis Dimensional: Se infieren escalas características para crear variables adimensionales. Se imponen reglas estrictas de consistencia de unidades (ej. solo se pueden sumar cantidades con las mismas dimensiones).
• Restricciones de Simetría: Se incorporan restricciones de paridad (funciones pares/impares), invariancia rotacional (SO(3)), invariancia temporal y de Galileo/Lorentz.
• Impacto: Estas reglas eliminan en promedio el 71.3% de los árboles de expresión candidatos antes de realizar cualquier ajuste de datos, reduciendo drásticamente el espacio de búsqueda.

B. Síntesis de Programas Guiada por Lenguaje (Fase 4)

• Resumen de Datos: Se extraen descriptores interpretables de las trayectorias (características espectrales, puntuaciones de simetría, candidatos a cantidades conservadas).
• Propositor LM: Un modelo de lenguaje (transformer de 7B parámetros) finetuneado se utiliza para generar candidatos. El modelo recibe el resumen de datos como contexto y propone árboles de expresión que son consistentes con la gramática tipada.
• Ventaja: Esto dirige la búsqueda hacia formas plausibles de manera eficiente, evitando la exploración aleatoria costosa de los algoritmos evolutivos.

C. Ajuste de Constantes y Regularización Física (Fase 5)

• Se ajustan los parámetros escalares libres de cada estructura candidata mediante optimización diferenciable.
• Se añade una penalización física suave si se detectan cantidades conservadas (como la energía), incentivando que los parámetros respeten dichas leyes sin codificarlas estructuralmente de forma rígida.

D. Selección de Modelos y Cuantificación de Incertidumbre

• Criterio MDL (Longitud Mínima de Descripción): En lugar de solo maximizar la verosimilitud, se utiliza un criterio MDL regularizado que penaliza la complejidad estructural del árbol y la precisión de los constantes. Esto evita el sobreajuste.
• Análisis de Estabilidad (Bootstrap): Se realiza un block-bootstrap para evaluar la estabilidad estructural. Si una ecuación cambia de rango bajo perturbaciones de datos, se marca como inestable.
• Identificabilidad: Se calcula la información de Fisher para detectar constantes no identificables.
• Resultado: El sistema no devuelve una sola ecuación, sino un conjunto clasificado de ecuaciones con pesos de probabilidad y banderas de degeneración, indicando cuándo los datos son insuficientes para distinguir entre leyes alternativas.

3. Contribuciones Clave

1. Integración de Restricciones Físicas en la Gramática: Por primera vez, el análisis dimensional y las simetrías de grupo se implementan como reglas de producción sintácticas estrictas, eliminando candidatos físicamente imposibles antes de la evaluación numérica.
2. Síntesis Guiada por Lenguaje con Restricciones: Uso de un modelo de lenguaje grande (LLM) para navegar un espacio de búsqueda restringido por física, combinando la flexibilidad del aprendizaje profundo con la rigurosidad de la lógica simbólica.
3. Gestión de la Incertidumbre Estructural: El marco abandona el paradigma de "una sola respuesta" para proporcionar una distribución de probabilidad sobre las estructuras posibles, identificando explícitamente la degeneración estructural y la no identificabilidad.
4. Estrategias para Observabilidad Parcial: Ofrece métodos para recuperar dinámicas efectivas o augmentar el espacio latente con variables ocultas simples, penalizados por MDL.

4. Resultados Experimentales

El marco se evaluó en un benchmark de 133 sistemas dinámicos (mecánica clásica, electrodinámica, termodinámica, dinámica de poblaciones y osciladores no lineales) bajo diversos niveles de ruido y ocultamiento de variables.

• Recuperación Estructural Exacta:
  • Con ruido del 10%, SymLang logra una tasa de recuperación exacta del 83.7%, superando al siguiente mejor método (PySR) en 22.4 puntos porcentuales.
  • Con ruido del 50% y observabilidad parcial (50% de variables ocultas), SymLang alcanza un 61.2% de recuperación, frente al 38.4% de DSR.
• Consistencia Física y Extrapolación:
  • Reduce el error de extrapolación fuera de distribución (OOD) en un 61% comparado con PySR.
  • Casi elimina las violaciones de leyes de conservación: el "deriva física" es de $3.1 \times 10^{-3}$frente a$187.3 \times 10^{-3}$ para el competidor más cercano.
• Eficiencia de Muestra: SymLang alcanza un 80% de recuperación con ~4,800 pasos de tiempo, mientras que PySR requiere ~19,000 (4 veces más datos).
• Gestión de Ambigüedad: SymLang identifica correctamente el 91.3% de los sistemas no identificables como ambiguos, evitando devolver ecuaciones incorrectas con alta confianza, algo que ningún método base logra.

5. Significado e Impacto

SymLang representa un cambio de paradigma en el descubrimiento de ecuaciones:

• De la "Caja Negra" a la Auditable: A diferencia de los modelos neuronales que son predictivos pero opacos, SymLang produce leyes simbólicas legibles y auditables físicamente.
• Honestidad Epistémica: Al reportar la incertidumbre estructural y la degeneración, el sistema guía a los científicos sobre dónde se necesitan nuevos experimentos, en lugar de engañarlos con una respuesta falsa pero confiable.
• Reproducibilidad: El marco es de código abierto y está diseñado para ser reproducible, ofreciendo una vía principista desde datos crudos hasta leyes simbólicas interpretables.

En resumen, SymLang demuestra que la combinación de restricciones de simetría deductivas, síntesis guiada por lenguaje y selección de modelos bayesiana robusta permite descubrir leyes físicas precisas incluso en condiciones experimentales adversas, superando significativamente a los métodos de regresión simbólica tradicionales.