🤖 AI

ASIA: an Autonomous System Identification Agent

El artículo presenta ASIA, un marco de agente autónomo que aprovecha los modelos de lenguaje grandes para automatizar el proceso de identificación de sistemas de extremo a extremo, desde la selección del modelo hasta el entrenamiento y la evaluación, basándose únicamente en descripciones de problemas en inglés llano, reduciendo así la dependencia del ensayo y error de expertos mientras se destacan los desafíos en la transparencia y la reproducibilidad.

Autores originales: Dario Piga, Marco Forgione

Publicado 2026-05-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Dario Piga, Marco Forgione

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a un robot a conducir un coche, pero no conoces las reglas de la vía, las peculiaridades del motor ni la mejor manera de dirigir el volante. En el pasado, un experto humano tendría que pasar años adivinando qué método de enseñanza funciona mejor, ajustando las lecciones y probando una y otra vez hasta que el robot finalmente aprendiera. Este proceso es lento, costoso y depende en gran medida de la intuición del experto.

Este artículo presenta ASIA (Agente de Identificación de Sistemas Autónomos), una nueva herramienta que actúa como un aprendiz superinteligente e incansable capaz de realizar estas conjeturas y ajustes por sí mismo.

Así funciona ASIA, desglosado en conceptos sencillos:

1. El Problema: El Laberinto de "Prueba y Error"

Piensa en construir un modelo de un sistema del mundo real (como un tanque de agua o un dron) como intentar encontrar la receta perfecta para un pastel. Tienes que decidir:

Los Ingredientes: ¿Debes usar harina, azúcar o quizás una especia secreta? (En términos tecnológicos: elegir el tipo de modelo, como una red neuronal o una ecuación física).
La Configuración del Horno: ¿Qué temperatura y durante cuánto tiempo? (En términos tecnológicos: hiperparámetros como la velocidad de aprendizaje o el tamaño de los datos).
El Método de Mezcla: ¿Cómo los combinas? (En términos tecnológicos: el algoritmo de entrenamiento).

Por lo general, un chef humano tiene que probar el pastel, darse cuenta de que está demasiado seco, añadir más huevos, hornearlo más tiempo y volver a probar. Esto lleva una eternidad.

2. La Solución: ASIA como el "Chef Robot"

ASIA es un programa informático impulsado por un Modelo de Lenguaje Grande (piensa en él como una IA muy avanzada que puede escribir y comprender código). En lugar de un chef humano, le das a ASIA una instrucción sencilla en inglés llano, como: "Aquí hay datos de un sistema de tanque de agua; por favor, averigua cómo funciona".

ASIA entra entonces en un bucle de auto-mejora:

Hipótesis: Adivina una nueva "receta" (una nueva estructura de modelo).
Horneado: Escribe el código para probar esta receta.
Degustación: Ejecuta el código y observa qué tan bien predice el modelo el futuro.
Aprendizaje: Si el pastel está malo, lee los resultados, piensa: "Quizás debería usar un tipo de harina diferente", y lo intenta de nuevo.

Lo hace cientos de veces sin necesidad nunca de que un humano toque el teclado, hasta encontrar la mejor receta posible.

3. La Prueba de Fuego: Dos Desafíos del Mundo Real

Los autores probaron ASIA en dos "cocinas" muy diferentes para ver si podía preparar una buena comida:

Los Tanques de Agua (La Cocina Simple): Imagina dos cubos de agua conectados por una tubería. El objetivo es predecir el nivel de agua en el cubo inferior basándose en la cantidad de agua vertida en el superior.
- Resultado: ASIA comenzó con un modelo básico y sencillo. Tras unos pocos intentos, se dio cuenta de que el modelo simple no era lo suficientemente potente. Se actualizó a un "cerebro" más complejo (una red LSTM) y luego encontró un tipo específico de red (LTC) que imita naturalmente cómo drena el agua. Terminó igualando los mejores resultados jamás publicados para este problema.
El Nanodron (La Cocina Compleja): Imagina un dron diminuto de cuatro hélices volando por ahí. Tiene 12 partes móviles diferentes (posición, velocidad, ángulos) interactuando todas a la vez.
- Resultado: ASIA comenzó con un enfoque estándar. Luego, tuvo una idea brillante: en lugar de intentar predecir directamente la posición del dron, decidió predecir cómo cambia la velocidad y luego calcular la posición a partir de eso (imitando cómo funciona realmente la física). También descubrió cómo estabilizar el proceso de entrenamiento.
- Comparación: Cuando los autores compararon a ASIA con una "búsqueda aleatoria" (donde una computadora simplemente elige configuraciones al azar como en una lotería), ASIA encontró una solución mucho mejor y mucho más rápido. Superó a la búsqueda aleatoria e incluso superó a los mejores métodos diseñados por humanos de estudios anteriores.

4. El Truco: La "Caja Negra" y el "Fantasma en la Máquina"

Aunque ASIA es impresionante, los autores son honestos sobre sus defectos:

El "Fantasma" (Filtración de Pruebas): A veces, incluso si le dices a la IA "no mires el examen final", podría aprender accidentalmente pistas de las preguntas del examen porque leyó sobre ellas en sus datos de entrenamiento o en los artículos de investigación que le diste. Es como un estudiante que memorizó la hoja de respuestas de un libro de texto en lugar de aprender las matemáticas.
La "Caja Negra" (Falta de Transparencia): ASIA puede hornear un pastel perfecto, pero podría no ser capaz de explicar por qué eligió esos ingredientes específicos. En ciencia, saber por qué funciona un modelo es a menudo tan importante como el modelo en sí. Como ASIA modifica su propio código, el camino que tomó para llegar allí es un poco un misterio.
Reproducibilidad: Si le pides a ASIA que realice la misma tarea dos veces, podría proponer dos soluciones ligeramente diferentes porque la IA es un poco aleatoria. Es como pedirle a un chef humano que prepare el mismo plato dos veces; podría usar cantidades ligeramente diferentes de sal.

La Conclusión

El artículo concluye que ASIA no es un reemplazo para los expertos humanos, sino un asistente poderoso.

Piénsalo como un acelerador de investigación. Puede explorar rápidamente miles de posibilidades que un humano nunca tendría tiempo de verificar. Encuentra la "mejor receta" más rápido que nadie, pero los humanos siguen siendo necesarios para entender los ingredientes, verificar los resultados y asegurar que la ciencia tenga sentido.

Los autores ven esto como un primer paso hacia un futuro donde la IA ayuda a los ingenieros a diseñar mejores controladores, optimizar máquinas y resolver problemas de ingeniería complejos, pero el "chef jefe" humano sigue estando a cargo de la cocina.

Resumen Técnico: ASIA – Un Agente Autónomo de Identificación de Sistemas

Enunciado del Problema

La identificación de sistemas implica aprender modelos dinámicos a partir de datos de entrada-salida, un proceso que requiere una secuencia compleja de decisiones de diseño interconectadas. Los practicantes deben seleccionar una clase de modelo (desde espacios de estado lineales hasta redes neuronales no lineales), definir hiperparámetros arquitectónicos (por ejemplo, profundidad de la red, funciones de kernel, tipos de celdas recurrentes) y ajustar hiperparámetros de optimización (por ejemplo, tasas de aprendizaje, regularización, tamaños de lote). Actualmente, estas decisiones dependen en gran medida del ensayo y error empírico y de la experiencia en el dominio. Si bien existe una automatización parcial para familias de modelos fijas (por ejemplo, mediante optimización bayesiana), la selección de la clase de modelo y el diseño del propio algoritmo de entrenamiento siguen siendo en gran medida manuales, consumen mucho tiempo y dependen de la intuición experta.

Metodología: El Marco ASIA

Los autores proponen ASIA (Agente Autónomo de Identificación de Sistemas), un marco que delega la búsqueda iterativa de configuraciones de identificación óptimas a un Modelo de Lenguaje Grande (LLM) que actúa como un agente de codificación autónomo. En lugar de introducir un nuevo algoritmo de identificación, ASIA automatiza el proceso de descubrimiento.

Componentes Principales

El marco opera en un bucle iterativo con intervención humana mínima, requiriendo únicamente una descripción en inglés llano del problema de identificación. Consta de cuatro componentes principales:

Descripción del Problema: Un documento que detalla la tarea, los datos disponibles, el conocimiento físico previo, los enfoques candidatos y el protocolo de búsqueda.
Pipeline de Evaluación Inmutable: Un sistema de solo lectura responsable del preprocesamiento de datos, la división para validación cruzada y el cálculo de la métrica de evaluación ( $V(\theta)$ ). Esto garantiza que todas las soluciones candidatas se evalúen bajo condiciones idénticas.
Componentes Modificables ( $\theta$ ): Un conjunto de archivos de código que representan arquitecturas de modelos, funciones de pérdida y estrategias de entrenamiento que el agente puede editar libremente.
Bucle de Experimentación Iterativa:
- El agente analiza el historial de pruebas anteriores ( $T$ ), incluidas las modificaciones de código y las métricas de rendimiento.
- Formula una nueva hipótesis y edita el código relevante para implementar una nueva configuración $\theta_k$ .
- El agente ejecuta el entrenamiento y la evaluación, observa la nueva métrica y actualiza su estado interno.
- Este ciclo continúa hasta que se agota un presupuesto computacional o el rendimiento se satura.

El marco se instancia utilizando Claude Code impulsado por el LLM Sonnet 4.6. Soporta la inyección de conocimiento del dominio (por ejemplo, leyes físicas, referencias bibliográficas) y estrategias candidatas, pero no los requiere.

Estudios de Caso Empíricos

Los autores evaluaron ASIA en dos benchmarks distintos, comparando su eficiencia de búsqueda y la calidad final del modelo frente a líneas base.

1. Sistema de Dos Tanques en Cascada

Tarea: Identificar un sistema no lineal de dos tanques de agua con niveles de tanque superior no medidos y una no linealidad de saturación dura.
Protocolo: Validación cruzada de 2 pliegues en una trayectoria de entrenamiento de 1024 muestras; evaluación mediante RMSE de simulación en lazo abierto.
Proceso de Búsqueda: Comenzando con un RNN estándar (4 unidades ocultas, RMSE 0.681), el agente:
- Iteración 3: Cambió a una LSTM de 2 capas (128 unidades) con retropropagación truncada, reduciendo el RMSE a 0.430.
- Iteración 5: Introdujo un sesgo inductivo reemplazando la LSTM por una red de Constante de Tiempo Líquida (LTC/CfC) (64 estados ocultos). Esta arquitectura, estructuralmente predisposta a sistemas disipativos, logró un RMSE de validación de 0.250.
Resultado: El modelo de conjunto final logró un RMSE de prueba de 0.298, desempeñándose al mismo nivel que los mejores resultados reportados en la literatura del benchmark.

2. Dinámica de Nanodrones

Tarea: Identificar la dinámica de vuelo de un cuadrotor Crazyflie 2.1 (sistema MIMO de 12 estados) a partir de datos de vuelo del mundo real.
Protocolo: Validación cruzada dejando una trayectoria fuera; evaluación mediante Error Absoluto Medio (MAE) en despliegues de 50 pasos.
Proceso de Búsqueda: Comenzando con una LSTM de una sola capa (MAE 0.707), el agente:
- Iteración 3: Introdujo una arquitectura informada por física (KinematicsLSTM) donde la red recurrente predice solo incrementos de velocidad/velocidad angular, mientras que la posición y la actitud se recuperan mediante integración cinemática explícita. También aumentó las entradas con velocidades de motor al cuadrado para aproximar el empuje.
- Iteración 7: Implementó muestreo programado para estabilizar el entrenamiento, reduciendo el MAE a 0.310.
- Las iteraciones subsiguientes refinaron la capacidad y la cadencia de entrenamiento, alcanzando un MAE final de 0.286.
Comparación: ASIA superó a una línea base de búsqueda aleatoria (30 iteraciones) tanto en rendimiento final como en eficiencia de búsqueda, alcanzando el mejor rendimiento de la búsqueda aleatoria en solo tres iteraciones. El modelo final superó al mejor método del artículo original del benchmark [9] en todos los grupos de salida (posición, velocidad, actitud, velocidad angular).

Contribuciones y Afirmaciones Clave

El artículo presenta las siguientes contribuciones y afirmaciones técnicas:

Automatización Autónoma del Pipeline: ASIA demuestra que un agente basado en LLM puede realizar autónomamente todo el pipeline de identificación de sistemas, incluida la selección de la clase de modelo, el diseño arquitectónico y la optimización de la estrategia de entrenamiento, sin intervención humana más allá del prompt inicial.
Expansión del Espacio de Hipótesis: A diferencia de los métodos de optimización clásicos (búsqueda en cuadrícula, optimización bayesiana) que operan sobre espacios de parámetros fijos y de dimensión finita, ASIA explora un espacio combinatorio de clases de modelos y estrategias de entrenamiento. El agente propuso con éxito soluciones no triviales, como estructuras híbridas física/caja negra y representaciones inspiradas en Koopman, que no estaban predefinidas explícitamente.
Rendimiento Competitivo: El marco descubrió modelos que igualan o superan los resultados del estado del arte en benchmarks establecidos, validando la viabilidad de la IA agéntica en este dominio.

Limitaciones y Análisis Crítico

Los autores discuten explícitamente varias limitaciones y riesgos asociados con el enfoque:

Filtrado Implícito de Pruebas: Incluso sin acceso directo a las etiquetas de prueba, el agente puede verse indirectamente influenciado por registros de rendimiento de prueba o por conocimiento previo (literatura) derivado de evaluaciones del conjunto de prueba, lo que podría llevar a sobreajuste o sesgo implícito.
Transparencia Metodológica: Aunque el código generado es localmente interpretable, la secuencia global de decisiones que conduce a la configuración final es opaca. Esto reduce la "contribución científica" de la metodología, ya que la racionalidad de las decisiones de diseño específicas surge de un proceso automatizado e iterativo en lugar de una hipótesis humana explícita.
Reproducibilidad: Debido a la naturaleza estocástica de las salidas de los LLM, la trayectoria exacta de búsqueda no puede reproducirse perfectamente en diferentes ejecuciones. Sin embargo, una vez que se selecciona una configuración específica, el entrenamiento de ese modelo específico es reproducible utilizando prácticas estándar.
Sesgo: La búsqueda del agente está sesgada por sus datos de entrenamiento y sus priores internos, favoreciendo potencialmente arquitecturas establecidas sobre enfoques novedosos y poco convencionales.

Significancia y Conclusión

El artículo concluye que ASIA no debe considerarse un reemplazo para la identificación de sistemas impulsada por humanos, sino como una herramienta complementaria. Su valor principal radica en:

Acelerar el ciclo de experimentación.
Automatizar decisiones de diseño rutinarias.
Expandir la exploración del espacio de hipótesis más allá de la intuición humana.

Los autores enfatizan que la experiencia humana sigue siendo esencial para interpretar resultados, validar modelos, diseñar prompts e inyectar conocimiento previo relevante. Este trabajo sirve como un estudio empírico inicial sobre el potencial y las limitaciones de la IA agéntica en la investigación de ingeniería, sugiriendo aplicaciones futuras en el ajuste de controladores y el diseño de experimentos.