Resumen Técnico: PyCC.id – Un paquete para el descubrimiento de ecuaciones impulsado por hipótesis con identificabilidad estructural

Declaración del Problema

El descubrimiento de ecuaciones basado en datos es fundamentalmente un problema inverso orientado a inferir ecuaciones diferenciales gobernantes a partir de mediciones de series temporales. Un desafío persistente en este campo es la naturaleza mal condicionada del problema, donde múltiples modelos matemáticos distintos pueden ajustarse a un conjunto de datos finito con una precisión comparable. Mientras que los enfoques puramente basados en datos suelen generar un vasto paisaje de modelos candidatos, estos frecuentemente difieren significamente en su forma estructural, lo que conduce a representaciones físicamente inconsistentes. En consecuencia, los profesionales se ven obligados a depender de un filtrado manual post-hoc basado en el conocimiento del dominio para descartar modelos no físicos, lo que hace que la selección final del modelo sea algo arbitraria. Además, muchos métodos existentes carecen de garantías de identificabilidad estructural, lo que dificulta determinar si una ecuación propuesta es consistente con los datos o requiere una reformulación.

Metodología

Para abordar estas limitaciones, el artículo presenta PyCC.id (PyCC), una biblioteca de Python de código abierto que implementa una metodología impulsada por hipótesis basada en "esqueletos" estructurales y Curvas Características (CC).

Marco Central

A diferencia de los métodos de "caja negra" que buscan ecuaciones desde cero, PyCC requiere que el profesional defina un esqueleto estructural basado en la intuición física o el conocimiento del dominio. Este esqueleto clasifica familias de Ecuaciones Diferenciales Ordinarias (ODE) y descompone la dinámica global en funciones univariantes de una dimensión (1D).

• Identificabilidad Estructural: El marco aprovecha esqueletos que poseen propiedades de identificabilidad estructural demostrables en el espacio de fases. Esto permite la validación formal de si una estructura hipotetizada es consistente con los datos antes de un entrenamiento extensivo.
• Integración de Hipótesis: Los usuarios pueden inyectar información previa (por ejemplo, simetrías físicas, restricciones como $f(0)=0$, o requisitos de paridad) directamente en las funciones definidas dentro de los esqueletos. Esto restringe el espacio de búsqueda a estructuras motivadas físicamente, mitigando la ambigüedad estructural.

Estrategias de Parametrización

La biblioteca soporta tres estrategias distintas para identificar las funciones 1D ($f_i$) dentro de un esqueleto, permitiendo flexibilidad según el nivel deseado de interpretabilidad y conocimiento previo:

1. Enfoque Funcional: Las funciones 1D se tratan como desconocidas y se aproximan utilizando aproximadores universales como Redes Neuronales (NN) o Regresión Simbólica (SymbR).
2. Enfoque Paramétrico: La forma funcional está totalmente hipotetizada y parametrizada por parámetros escalares $\{a_i\}$, los cuales son optimizados mediante optimización no lineal.
3. Enfoque Híbrido: Una combinación donde tanto las funciones 1D $\{f_i\}$ como los parámetros escalares $\{a_j\}$ se ajustan simultáneamente.

Arquitectura del Software

PyCC actúa como un marco integrativo dentro del ecosistema de aprendizaje automático científico, utilizando herramientas establecidas como PyTorch y PySR (para regresión simbólica) dentro de un flujo de trabajo estructurado. Sus funciones principales incluyen:

• pycc.simulate(): Un resolvedor de ODE versátil para la integración de sistemas hacia adelante. Soporta simulaciones teóricas (para generar datos de verdad fundamental) y la validación de los modelos descubiertos. Es compatible con varios backends (NN, SymbR, Poly, Interp).
• pycc.train(): La entrada principal para la identificación de la dinámica del sistema. Actúa como un despachador, dirigiendo los datos al módulo apropiado (NN, SymbR, Poly) basado en el método especificado por el usuario.
• pycc.post_processing(): Una utilidad diseñada para convertir las CC numéricas (obtenidas vía NN o Poly) en expresiones simbólicas explícitas. Esto facilita la inspección del modelo, el análisis y la generación de modelos simbólicos optimizados para simulaciones posteriores.

Contribuciones Clave

El artículo presenta PyCC.id como una herramienta que condensa avances teóricos recientes en una biblioteca flexible y fácil de usar. Sus principales contribcciones incluyen:

• Flujo de Trabajo Impulsado por Hipótesis: Cambia el enfoque de un descubrimiento puramente basado en datos hacia un enfoque de esqueleto estructural que asegura la consistencia física y la identificabilidad estructural.
• Modularidad e Interoperabilidad: La biblioteca no compite con paquetes existentes, sino que sirve como una interfaz que aprovecha sus fortalezas (por ejemplo, el poder simbólico de PySR y la flexibilidad de las Redes Neuronales) dentro de un marco unificado.
• Aceleración de Hardware: Soporte nativo para CPUs multinúcleo y GPUs (NVIDIA CUDA e Intel XPU vía intel-extension-for-pytorch) para el entrenamiento de Redes Neuronales.
• Restricciones Físicas: La capacidad de imponer restricciones (por ejemplo, paridad impar/par, valores específicos) directamente durante el proceso de entrenamiento, lo que conduce a modelos más robustos.
• Herramientas Integrales: Incluye un simulador incorporado, soporte para múltiples métodos de parametrización y documentación extensa, incluyendo tutoriales en Google Colab.

Resultados y Ejemplo Ilustrativo

El artículo demuestra las capacidades de PyCC utilizando un sistema físico clásico: un oscilador no lineal con fricción, gobernado por una ecuación diferencial de segundo orden que involucra amortiguamiento dependiente de la velocidad y fuerzas de restauración dependientes de la posición.

• Generación de Datos: El sistema fue simulado utilizando ecuaciones teóricas para generar un conjunto de datos de posición, velocidad y fuerzas externas.
• Identificación: La biblioteca identificó con éxito la dinámica del sistema utilizando el Enfoque Funcional con Redes Neuronales. El usuario definió un esqueleto correspondiente a la fricción dependiente de la velocidad ($F_{ext} = \ddot{x} + f_1(\dot{x}) + f_2(x)$) y aplicó restricciones como $f_2(0)=0$ y paridad impar para las funciones.
• Validación: Las funciones aprendidas ($f_1$ y $f_2$) fueron visualizadas y mostraron coincidir estrechamente con las relaciones constitutivas teóricas.
• Post-procesamiento: Los resultados numéricos fueron convertidos en expresiones analíticas usando Regresión Simbólica (PySR), demostrando la capacidad de la biblioteca para transicionar de la aproximación basada en datos a modelos simbólicos interpretables.
• Simulación: Los modelos identificados fueron integrados hacia adelante, mostrando una concordancia precisa con la dinámica teórica.

Significado

El artículo posiciona a PyCC.id como un paso significativo hacia la resolución de la naturaleza mal condicionada del descubrimiento de ecuaciones. Al formalizar la integración del conocimiento del dominio a través de esqueletos estructurales, la biblioteca proporciona una vía para validar o eliminar estructuras hipotetizadas a nivel algorítmico. Esto reduce la dependencia de un filtrado post-hoc arbitrario y facilita el descubrimiento de ecuaciones gobernantes interpretables y físicamente consistentes. El trabajo enfatiza que, mientras muchos paquetes buscan la "mejor" ecuación desde cero, PyCC proporciona un pipeline formal para verificar si una estructura física hipotetizada es consistente con la dinámica medida, mejorando así la confiabilidad e interpretabilidad de las aplicaciones de aprendizaje automático científico.