Multistability and intermingledness in complex high-dimensional data

Este trabajo presenta un flujo de trabajo computacional optimizado para identificar estados estacionarios alternativos y cuantificar su "intermingledness" en datos de simulaciones complejas de alta dimensión, aplicándolo exitosamente a diversos sistemas climáticos y proporcionando código de código abierto para su uso.

Lo esencial

Imagina que el clima de la Tierra, o incluso el clima de un planeta lejano, es como un gigantesco tablero de juego lleno de millones de piezas. A veces, este tablero tiene "estados estables": situaciones donde el juego se asienta y se queda quieto, como un valle donde una pelota puede rodar y detenerse.

El problema es que, en sistemas complejos como el clima, a veces existen múltiples valles (múltiples estados estables) para la misma configuración de reglas. A esto los científicos le llaman multistabilidad.

Aquí es donde entra este nuevo trabajo, que podemos imaginar como un "detective de patrones" o un "traductor de caos".

El Problema: El Laberinto Invisible

Imagina que tienes una montaña con varios valles profundos. Si lanzas una pelota desde diferentes puntos (condiciones iniciales), puede terminar en el valle A, en el valle B o en el valle C.

• El desafío: En modelos climáticos reales, la montaña es tan alta y los valles tan intrincados que es imposible ver a simple vista dónde termina cada pelota. Los científicos a menudo tenían que adivinar o mirar solo unos pocos ejemplos, lo cual es como intentar entender un bosque mirando solo dos árboles.
• La confusión: A veces, los valles están tan mezclados que, si mueves la pelota un milímetro, puede terminar en un valle totalmente diferente. Esto es peligroso porque significa que un pequeño cambio podría causar un desastre irreversible (un "punto de no retorno").

La Solución: El "Traductor" de Datos

Los autores (Datseris y su equipo) han creado una receta automática (un flujo de trabajo) para resolver este misterio sin tener que mirar cada árbol del bosque uno por uno.

1. Traducir el lenguaje complejo: Los modelos climáticos generan montañas de datos (temperatura, viento, salinidad, etc.). El primer paso del método es tomar esa montaña de datos y convertirla en un "resumen" o "huella digital" para cada simulación. Imagina que en lugar de analizar todo el clima, solo te fijas en el promedio de temperatura y su variabilidad.
2. Agrupar por similitud: Luego, el algoritmo mira todas esas "huellas digitales" y las agrupa. Si dos simulaciones terminan en el mismo "valle" (estado estable), sus huellas digitales se parecerán mucho y se agruparán juntas. Si terminan en valles diferentes, se separarán.
3. Encontrar el mejor filtro: A veces, mirar solo la temperatura no sirve para separar los valles. El método prueba miles de combinaciones de datos (como mirar la salinidad, el hielo, o la presión) para encontrar qué variable es la mejor para distinguir un estado de otro. Es como encontrar la llave maestra que abre la puerta correcta.

La Gran Innovación: El "Entrelazamiento" (Intermingledness)

Aquí está la parte más creativa. Imagina que tienes dos colores de arena (rojo y azul) en un vaso.

• Si están bien separados, la arena roja está abajo y la azul arriba. Es fácil saber de qué color es cada grano.
• Si están entrelazados, la arena roja y azul están mezcladas como un marmolado o un batido. Es muy difícil saber si un grano rojo está cerca de otro rojo o de uno azul.

Los autores inventaron una medida llamada "entrelazamiento" (intermingledness) para cuantificar esto.

• Bajo entrelazamiento: Los estados son estables y predecibles. Si estás en el "valle rojo", es muy probable que sigas ahí.
• Alto entrelazamiento: Los estados están tan mezclados que es imposible predecir con certeza dónde terminarás. Un pequeño empujón podría mandarte al otro lado. Esto es una señal de alerta temprana de que el sistema es inestable.

¿Qué descubrieron probando esto?

Probaron su método en tres escenarios muy diferentes:

1. La Corriente del Atlántico (AMOC): Descubrieron que la corriente oceánica no tiene solo un estado "fuerte" y uno "colapsado". ¡Hay varios estados intermedios! Además, encontraron que la temperatura de la superficie y del subsuelo del Atlántico Norte es la mejor "huella digital" para distinguirlos. También vieron que los estados "colapsados" son más difíciles de predecir (más entrelazados) que los fuertes.
2. Flujos Atmosféricos: En un modelo de clima medio, vieron que los patrones de viento y lluvia pueden tener múltiples formas estables. Usando su método, pudieron ver cómo, al cambiar un parámetro (como la radiación), uno de los estados se vuelve tan "entrelazado" con los otros que probablemente desaparecerá o cambiará drásticamente.
3. Habitabilidad de Exoplanetas: Aquí no había "multistabilidad" tradicional, pero el método sirvió para ver qué planetas son "fríos", "templados" o "calientes". El "entrelazamiento" les dijo qué variables (como la presión o la luz estelar) son las que realmente definen si un planeta es habitable o no.

En Resumen

Este trabajo es como darles a los científicos un mapa de alta definición de un territorio que antes solo conocían por fotos borrosas.

• Nos dice cuántos estados estables existen realmente.
• Nos dice qué medir para saber en cuál estado estamos (ahorrando tiempo y recursos).
• Nos da una medida de seguridad: si los estados están muy "entrelazados", el sistema es frágil y un pequeño cambio podría tener consecuencias enormes.

Es una herramienta poderosa para entender no solo el clima de la Tierra, sino también para diseñar redes eléctricas más seguras o buscar planetas donde la vida pueda existir.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Multiestabilidad e intermingledness (mezcla) en datos complejos de alta dimensión

Autores: George Datseris, Johannes Lohmann, Oisín Hamilton, Jacob Haqq-Misra.
Fecha: Abril 2026.

---

1. El Problema

La multiestabilidad es un fenómeno común en sistemas naturales donde un sistema puede exhibir múltiples estados estacionarios (atractores) cualitativamente diferentes bajo los mismos parámetros, dependiendo de sus condiciones iniciales. En el contexto del cambio climático, esto se relaciona con los "puntos de inflexión" (tipping points), donde una perturbación externa puede llevar a un cambio irreversible a un estado alternativo (ej. colapso de la circulación oceánica).

Sin embargo, el estudio de la multiestabilidad en modelos de simulación realistas y de alta dimensión (como los modelos climáticos) presenta desafíos significativos:

• Falta de rigor metodológico: La identificación de estados alternativos a menudo depende del juicio subjetivo de los investigadores y de pocas simulaciones representativas.
• Inaplicabilidad de técnicas tradicionales: Los métodos clásicos (diagramas de bifurcación) no funcionan en espacios de estado de dimensiones extremadamente altas.
• Limitaciones computacionales: Es difícil ejecutar muchas condiciones iniciales o imponer múltiples perturbaciones en modelos costosos.
• Dificultad de diferenciación: No está claro qué observables físicos son los mejores para distinguir entre diferentes atractores ni cómo cuantificar la incertidumbre de las cuencas de atracción (basins of attraction).

2. Metodología

Los autores proponen un flujo de trabajo computacional (workflow) automatizado basado en la dinámica no lineal para identificar y analizar la multiestabilidad en datos complejos. El proceso se divide en los siguientes pasos clave:

1. Generación de Datos: Se ejecutan simulaciones con un modelo complejo (espaciotemporal) variando las condiciones iniciales pero manteniendo constantes los parámetros del modelo.
2. Extracción de Características (Feature Extraction): Dado que los datos son de alta dimensión, se proyectan a un espacio de características de menor dimensión. Se extraen descriptores estadísticos de las series temporales (media, desviación estándar, entropía, etc.) de las últimas partes de la simulación (estado estacionario).
3. Agrupamiento (Clustering): Se utiliza un algoritmo de agrupamiento basado en densidad, específicamente IA-DBSCAN (Iterative Advanced DBSCAN). A diferencia de k-means, este algoritmo no requiere especificar el número de grupos de antemano y estima el número óptimo de atractores.
4. Selección Óptima de Características: Se implementa un bucle de optimización para encontrar el subconjunto de características que mejor separa los atractores. Se define una métrica de calidad de agrupamiento ($q$) que maximiza el número de atractores encontrados, minimiza el número de características usadas (parsimonia) y penaliza los puntos no asignados (outliers).
5. Definición de "Intermingledness" (Mezcla): Se introduce una nueva métrica cuantitativa llamada intermingledness.
   • Mide la relación entre la distancia intra-grupo (dentro del mismo atractor) y la distancia inter-grupo (entre atractores diferentes) a lo largo de diferentes variables diagnósticas.
   • Un valor cercano a 1 indica que los puntos de un grupo están tan cerca de otros grupos como de los suyos propios (alta mezcla/ambigüedad), mientras que un valor bajo indica una separación clara.
   • Se aplica tanto a las características de los atractores como a las condiciones iniciales (cuencas de atracción).
6. Continuación (Continuation): El método permite rastrear cómo cambian los atractores y su grado de mezcla a medida que varía un parámetro del modelo, emparejando los grupos encontrados en diferentes valores paramétricos.

3. Contribuciones Clave

• Flujo de trabajo automatizado: Una metodología reproducible y objetiva para detectar multiestabilidad en datos de alta dimensión sin depender de juicios subjetivos.
• Métrica de "Intermingledness": Una nueva herramienta para cuantificar la separación de estados y la sensibilidad de las cuencas de atracción, identificando qué variables diagnósticas mejor distinguen los estados y cuáles no.
• Código de código abierto: Se proporciona un paquete en Julia (integrado en DynamicalSystems.jl) que facilita la aplicación de este flujo de trabajo a nuevos datos (archivos NetCDF).
• Identificación de observables críticos: Capacidad para determinar qué variables físicas son más relevantes para la diferenciación de estados y la predicción de transiciones.

4. Resultados

El método se aplicó a tres conjuntos de datos climáticos diversos:

• Caso 1: Circulación de Vuelco Meridional del Atlántico (AMOC) - Modelo Veros:

  • Se identificaron 5 atractores distintos (estados vigorosos y colapsados) que coexisten.
  • Se descubrió que la mejor separación no se logra con la fuerza de la AMOC, sino con la temperatura superficial y subsuperficial del Atlántico Norte.
  • Las cuencas de atracción mostraron una alta "intermingledness", sugiriendo que la predictibilidad es menor para los estados colapsados que para los vigorosos.

• Caso 2: Flujo Acoplado Océano-Atmósfera de Latitudes Medias - Modelo MAOOAM:

  • Se confirmaron 3 atractores distintos asociados a variabilidad de baja frecuencia (LFV).
  • El método identificó modos de flujo diferentes a los usados en estudios previos como los óptimos para la agrupación.
  • Se observaron fronteras de cuencas fractales (alta intermingledness).
  • Mediante continuación, se detectó que al aumentar la emisividad atmosférica (proxy de cambio climático), uno de los atractores se vuelve menos distinguible de los otros, indicando un posible punto de bifurcación inminente.

• Caso 3: Habitabilidad de Exoplanetas - Modelo ExoPlaSim:

  • Aunque no es un estudio de multiestabilidad tradicional (los datos varían parámetros, no condiciones iniciales), la métrica de intermingledness fue útil para clasificar regímenes climáticos (frío, cálido, caliente).
  • Permitió identificar qué diagnósticos mejor separan los regímenes de habitabilidad, útil para estudios de intercomparación de modelos.

5. Significado e Implicaciones

• Guía para la Observación: El método ayuda a priorizar qué variables medir en campañas de observación real, enfocándose en aquellas que mejor distinguen los estados críticos en lugar de las tradicionales (como la temperatura global promedio).
• Señales de Alerta Temprana: Las variables con baja intermingledness en las cuencas son candidatas ideales para señales de alerta temprana de puntos de inflexión.
• Detección de Sesgos de Modelo: Si un modelo muestra alta intermingledness en una variable que teóricamente debería ser determinante, esto puede indicar un sesgo o una parametrización insuficiente en el modelo.
• Intercomparación de Modelos: Facilita la comparación objetiva entre diferentes modelos climáticos al verificar si comparten atractores similares y cómo responden a perturbaciones.
• Limitaciones: El método requiere un número suficiente de condiciones iniciales (se sugieren al menos 10 por atractor esperado) y depende de la elección adecuada de las características iniciales. La definición de la métrica de calidad de agrupamiento es empírica y podría refinarse teóricamente en el futuro.

En resumen, este trabajo proporciona un marco robusto y automatizado para navegar la complejidad de los sistemas climáticos de alta dimensión, transformando la detección de multiestabilidad de un arte subjetivo a una ciencia cuantitativa y reproducible.