Experimental Design for Missing Physics

Este artículo presenta una técnica de diseño experimental secuencial basada en la discriminación óptima entre modelos estructurales sugeridos por regresión simbólica y ecuaciones diferenciales universales, con el fin de recopilar datos de alta calidad para descubrir física faltante en sistemas de procesos, como se demuestra en un biorreactor.

Lo esencial

Imagina que eres un chef experto intentando recrear el plato favorito de tu abuela, pero hay un ingrediente secreto en la receta que te falta. Sabes que el plato necesita harina, huevos y azúcar, pero ese ingrediente misterioso es lo que hace que el sabor sea único. Si no sabes qué es, el plato nunca quedará perfecto.

En el mundo de la ciencia y la ingeniería, esto es lo que los autores de este artículo llaman "Física Faltante". A menudo, tenemos modelos matemáticos para predecir cómo funcionan cosas como reactores biológicos (fábricas de células vivas), pero nos falta una pieza clave de la ecuación: no sabemos exactamente cómo reaccionan las cosas bajo ciertas condiciones.

Aquí te explico cómo estos científicos resolvieron el problema, usando una analogía de detectives, adivinos y un juego de "caliente o frío".

1. El Detective y el Adivino (La Ecuación Diferencial Universal)

Primero, los científicos usaron una herramienta llamada Ecuación Diferencial Universal (UDE).

• La analogía: Imagina que tienes un coche con un motor que funciona, pero hay una pieza rota que no entiendes. En lugar de intentar adivinar qué es esa pieza, pones un "Adivino Inteligente" (una Red Neuronal) dentro del motor. Este adivino es muy bueno aprendiendo de la experiencia: si el coche acelera de cierta manera, el adivino ajusta su comportamiento para que el coche funcione bien.
• El problema: El adivino es muy listo, pero es un "cajón negro". Funciona, pero no puedes explicarle a nadie por qué funciona así. Es como si el adivino te dijera: "Simplemente hazlo así", sin darte la receta.

2. El Traductor (Regresión Simbólica)

Para entender qué está pensando el adivino, los científicos usaron una segunda herramienta llamada Regresión Simbólica.

• La analogía: Imagina que le pides al adivino que traduzca su comportamiento complejo a una receta escrita en un idioma humano simple. La Regresión Simbólica toma las ideas del adivino y busca la fórmula matemática más simple y elegante que explique lo que está haciendo.
• El resultado: En lugar de un "cajón negro", obtienes varias recetas posibles (modelos). Por ejemplo, la receta podría decir: "El sabor aumenta si añades más azúcar hasta cierto punto".

3. El Juego de "Caliente o Frío" (Diseño Experimental)

Aquí viene la parte más genial. Tienes varias recetas posibles (algunas dicen que el ingrediente es sal, otras que es pimienta). ¿Cómo descubres cuál es la correcta sin probarlas todas al azar?

Los científicos desarrollaron un método para planificar experimentos que actúa como un juego de "Caliente o Frío" o un juez de debates.

• La estrategia: En lugar de hacer experimentos al azar (como mezclar ingredientes sin pensar), el sistema calcula: "¿Qué condición de experimento hará que las recetas diferentes den resultados totalmente opuestos?".
• El ejemplo del reactor: Si la receta A dice "el crecimiento es rápido" y la receta B dice "el crecimiento es lento", el sistema diseña un experimento donde, si pones el reactor en una condición específica, una receta fallará estrepitosamente y la otra funcionará.
• El objetivo: Eliminar las recetas incorrectas lo más rápido posible. Es como si el juez dijera: "Vamos a probar esto de una manera que solo la receta correcta pueda sobrevivir".

4. La Historia del Reactor Biológico (El Experimento Real)

Los autores probaron esto en un biorreactor (un tanque donde crecen células).

• El misterio: No sabían exactamente cómo crecían las células al cambiar la comida (un nutriente llamado sustrato). La fórmula real era la famosa "Ecuación de Monod", pero ellos no la conocían al principio.
• El proceso:
  1. Hicieron un primer experimento básico. El "Adivino" aprendió un poco, pero no estaba seguro.
  2. La "Regresión Simbólica" generó varias teorías. Algunas decían que el crecimiento era constante, otras que subía sin parar.
  3. El sistema diseñó un segundo experimento inteligente: "¡Vamos a bombear comida a la velocidad máxima!". Esto separó a los grupos: las teorías que decían "crecimiento constante" fallaron, pero las que decían "crecimiento rápido" sobrevivieron.
  4. Con los nuevos datos, el sistema refinó las teorías y diseñó un tercer experimento para llenar los huecos restantes.

5. El Resultado: Ganando contra el Azar

Al final, después de solo tres experimentos bien planeados, el sistema descubrió la fórmula correcta (la de Monod).

• La comparación: Si hubieran hecho experimentos al azar (como tirar dados para decidir cuánto alimento poner), habrían necesitado muchos más intentos y, en sus pruebas, nunca habrían encontrado la fórmula correcta.
• La moraleja: No se trata de tener más datos, sino de tener datos inteligentes. Es la diferencia entre leer un libro al azar y leer los capítulos clave que te dan la respuesta.

En Resumen

Este paper nos enseña que cuando no entendemos completamente cómo funciona algo (física faltante), no debemos tirar datos al azar. En su lugar, debemos usar la inteligencia artificial para:

1. Aprender de los datos (Redes Neuronales).
2. Traducir ese aprendizaje a reglas simples (Regresión Simbólica).
3. Diseñar el siguiente experimento para descartar las reglas incorrectas lo más rápido posible (Diseño Experimental Óptimo).

Es como tener un detective que no solo investiga, sino que sabe exactamente qué pregunta hacer para que el sospechoso se delate.

Resumen técnico

Resumen Técnico: Diseño Experimental para Física Faltante

1. El Problema
En el análisis, control y optimización de sistemas de procesos (bio)químicos, los modelos basados en leyes físicas, químicas y biológicas a menudo son incompletos. Estas lagunas en el conocimiento se denominan "física faltante" (missing physics). Tradicionalmente, los métodos de diseño experimental basado en modelos (MbDoE) se centran en la precisión de parámetros o en discriminar entre un número finito de estructuras de modelos conocidas. Sin embargo, cuando una parte de la estructura del modelo es totalmente desconocida (por ejemplo, una función de tasa de crecimiento desconocida), estas técnicas convencionales no son aplicables directamente. Además, las técnicas de aprendizaje automático modernas, como las Ecuaciones Diferenciales Universales (UDE), requieren datos de alta calidad y altamente informativos para recuperar la estructura verdadera del modelo, lo que plantea el desafío de cómo diseñar experimentos eficientes para obtener dichos datos.

2. Metodología
Los autores proponen un enfoque secuencial de diseño experimental que combina tres componentes principales:

• Ecuaciones Diferenciales Universales (UDE): Se utiliza una red neuronal para representar la parte desconocida del modelo ($\phi$). La red neuronal se entrena con datos experimentales para aproximar la física faltante dentro de las ecuaciones diferenciales del sistema.
• Regresión Simbólica: Dado que las redes neuronales son "cajas negras" y poco interpretables científicamente, se aplica regresión simbólica a la red neuronal entrenada. Este algoritmo busca expresiones matemáticas simbólicas (árboles de expresión) que aproximen la salida de la red neuronal, equilibrando precisión y simplicidad. Esto genera un conjunto de estructuras de modelos plausibles.
• Diseño Experimental Secuencial de Discriminación:
  • El objetivo es discriminar entre las estructuras de modelos plausibles sugeridas por la regresión simbólica.
  • Se desarrolla un criterio de optimización basado en una variante de los diseños T-óptimos. Dado que no se conoce la "verdad" (ground truth), el algoritmo maximiza la distancia promedio entre las predicciones de todos los pares de modelos plausibles en los tiempos de medición.
  • Se optimiza la señal de control del experimento (ej. la tasa de alimentación $Q_{in}(t)$ en un biorreactor) para generar datos donde las predicciones de los modelos candidatos diverjan lo máximo posible.
  • El proceso es iterativo: se realiza un experimento óptimo $\rightarrow$ se recopilan nuevos datos $\rightarrow$ se reentrena la UDE $\rightarrow$ se ejecuta nuevamente la regresión simbólica para actualizar el conjunto de modelos plausibles $\rightarrow$ se diseña el siguiente experimento.

3. Contribuciones Clave

• Marco Integrado: Presenta un marco unificado que conecta la modelización basada en datos (UDE) con la interpretabilidad física (regresión simbólica) y el diseño experimental activo.
• Criterio de Discriminación sin Verdad Conocida: Propone una estrategia de optimización que no requiere conocer el modelo verdadero de antemano, sino que busca maximizar la divergencia entre las hipótesis actuales generadas por la IA.
• Aplicación a Sistemas No Lineales: Demuestra la viabilidad de esta técnica en un sistema de biorreactor por lotes alimentados (fed-batch), un caso de estudio clásico en la literatura de ingeniería de procesos.

4. Resultados
El método se validó mediante simulaciones en un biorreactor donde la tasa de crecimiento específica ($\mu$) seguía la ecuación de Monod (la "verdad"), pero era desconocida para el modelo.

• Experimentos Secuenciales: Tras tres experimentos secuenciales optimizados, la regresión simbólica identificó correctamente la estructura de la ecuación de Monod con una puntuación superior a otras estructuras candidatas.
• Comparación con Diseño Aleatorio: Se comparó el diseño óptimo con 5 experimentos aleatorios (donde los controles se elegían de una distribución uniforme). En ninguno de los 5 casos aleatorios se recuperó la ecuación de Monod, demostrando que el diseño óptimo proporciona una ganancia de información significativa.
• Comportamiento del Control Óptimo: El algoritmo de diseño óptimo generó señales de control complejas (como escalones crecientes) para forzar al sistema a operar en regiones de concentración de sustrato donde los modelos candidatos tenían las predicciones más divergentes (especialmente en concentraciones medias), permitiendo descartar modelos incorrectos eficientemente.

5. Significado e Impacto
Este trabajo es significativo porque cierra la brecha entre el aprendizaje automático "caja negra" y la modelización física tradicional en el contexto de la ingeniería de procesos.

• Eficiencia de Datos: Permite descubrir leyes físicas desconocidas con un número mínimo de experimentos, reduciendo costos y tiempo en laboratorios reales.
• Interpretabilidad: Transforma modelos de redes neuronales en ecuaciones matemáticas comprensibles por humanos, facilitando la validación científica.
• Escalabilidad: Aunque el ejemplo se centra en una función de entrada/salida simple, los autores indican que la metodología es aplicable a sistemas con múltiples entradas y salidas, y podría extenderse para optimizar no solo los controles, sino también los tiempos de medición y las condiciones iniciales.
• Futuro: Señala la necesidad de futuras investigaciones para automatizar el ajuste de hiperparámetros de las redes neuronales y la regresión simbólica en tiempo real durante el proceso experimental.