🌀 nonlinear sciences

Dynestyx: A Probabilistic Programming Library for Dynamical Systems

El artículo presenta Dynestyx, una biblioteca de programación probabilística que proporciona soporte de primera clase para modelos de espacio de estados, permitiendo a los usuarios especificar priors con facilidad, realizar inferencia sobre datos de efectos mixtos y obtener una cuantificación de la incertidumbre fundamentada tanto para sistemas dinámicos discretos como continuos.

Autores originales: Daniel Waxman, Dmitry Batenkov, John Feser, Andy Zane, Eli Bingham, Youssef Marzouk, Matthew E. Levine

Publicado 2026-06-16

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Daniel Waxman, Dmitry Batenkov, John Feser, Andy Zane, Eli Bingham, Youssef Marzouk, Matthew E. Levine

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 tratando de entender una máquina compleja, como el motor de un coche, pero no puedes ver el interior. Solo puedes ver el velocímetro, el indicador de combustible y escuchar el ruido que hace (estos son tus observaciones). También sabes que hay piezas ocultas moviéndose dentro del motor (el estado latente) y que puedes presionar el pedal del acelerador para cambiar cómo funciona (el control).

Dynestyx es una nueva herramienta de software diseñada para ayudar a científicos e ingenieros a descubrir exactamente qué está sucediendo dentro de ese motor oculto, incluso cuando los datos son desordenados o incompletos.

Aquí tienes un desglose de lo que el artículo afirma, utilizando analogías sencillas:

1. El Problema: Herramientas "Silos" (Aisladas)

Antes de esta herramienta, entender cómo funcionaban estas máquinas ocultas era como intentar construir una casa donde la persona que diseña los planos, la que coloca los ladrillos y la que pinta las paredes hablan diferentes idiomas y usan herramientas distintas.

El Problema: Los científicos tenían que escribir código personalizado y único para cada nuevo problema. Si querían probar una nueva forma de adivinar el estado interno del motor, a menudo tenían que reconstruir todo su software desde cero. Esto dificultaba la comparación de diferentes métodos o el seguimiento de una "receta" estándar para el descubrimiento.

2. La Solución: Un Adaptador Universal

Dynestyx actúa como un adaptador universal o una "navaja suiza" para estos problemas. Está construido sobre un lenguaje de programación popular llamado NumPyro.

La "Separación de Preocupaciones": Los autores diseñaron Dynestyx para que puedas separar claramente qué es la máquina (el modelo) de cómo intentas descubrirla (las matemáticas).
- Analogía: Imagina que estás escribiendo una receta (el modelo). Con Dynestyx, puedes escribir la receta una sola vez y luego elegir cocinarla en un microondas, en un horno o en una parrilla (diferentes algoritmos matemáticos) sin tener que reescribir la receta.

3. Cómo Funciona: La "Caja Negra" y los "Adivinos"

La herramienta gestiona dos tipos principales de sistemas basados en el tiempo:

Tiempo Discreto: Como un videojuego donde el mundo se actualiza fotograma a fotograma.
Tiempo Continuo: Como un río real que fluye suavemente, descrito por complejas ecuaciones físicas.

Dynestyx te permite definir las reglas de tu sistema (el "drift" y la "difusión", que son palabras elegantes para describir cómo se mueve el sistema naturalmente y cuánto vibra de forma aleatoria). Una vez que defines las reglas, Dynestyx utiliza effect handlers (un truco de programación ingenioso) para intercambiar diferentes algoritmos de "adivinación" sobre la marcha.

4. El Menú de "Combinar y Mezclar"

El artículo destaca un beneficio masivo: Poder Combinatorio.

El Menú: Puedes tomar una forma específica de estimar el estado oculto (como un "Filtro de Kalman", que es una forma estándar de rastrear objetos en movimiento) y combinarla con una forma específica de adivinar los parámetros (como "MCMC", que es una forma de explorar todas las respuestas posibles).
La Innovación: Los autores crearon una tabla (la Tabla 1 en el artículo) que muestra todas las combinaciones posibles.
- Algunas combinaciones ya existían en otros softwares.
- Los signos de "Más" (+): El artículo afirma que Dynestyx es el primero en hacer que ciertas combinaciones funcionen. Por ejemplo, combinar un tipo específico de "Filtro de Kalman de Conjunto" con un algoritmo de "MCMC informado por gradiente" era anteriormente imposible o requería código personalizado. Dynestyx convierte esto en una función estándar de "conectar y usar".

5. Manejo de "Efectos Mixtos"

La herramienta también gestiona Modelos de Efectos Mixtos.

Analogía: Imagina que estás estudiando cómo se comportan diferentes coches (individuos). Algunos coches son rápidos, otros son lentos, pero todos siguen las mismas reglas básicas del motor. Dynestyx puede aprender las reglas generales para todos los coches y, al mismo tiempo, descubrir las peculiaridades específicas de cada coche individual.

Resumen de Reivindicaciones

El artículo no pretende resolver una crisis médica o de ingeniería específica. En su lugar, pretende resolver un problema de flujo de trabajo:

Interfaz Unificada: Puedes describir un sistema dinámico una sola vez en Python.
Métodos Intercambiables: Puedes intercambiar los algoritmos matemáticos (filtros, muestreadores, optimizadores) sin cambiar la descripción de tu modelo.
Nuevas Combinaciones: Desbloquea nuevas formas de combinar estos algoritmos que no han estado fácilmente disponibles antes, permitiendo a los investigadores comparar sistemáticamente qué método de "adivinación" funciona mejor para su problema específico.

En resumen, Dynestyx es una librería que convierte el mundo desordenado y de código personalizado del seguimiento de sistemas ocultos en un entorno limpio, modular y apto para la experimentación.

Resumen Técnico: Dynestyx – Una Biblioteca de Programación Probabilística para Sistemas Dinámicos

Planteamiento del Problema
Los modelos de espacio de estados (SSM, por sus siglas en inglés) sirven como la formalización estándar para el tratamiento bayesiano de los sistemas dinámicos, con aplicaciones críticas en neurociencia, procesamiento de señales y aprendizaje automático. A pesar de su importancia teórica y utilidad práctica, los sistemas dinámicos han demostrado ser difíciles de integrar en los lenguajes de programación probabilística (PPL) modernos. En consecuencia, los métodos de inferencia de vanguardia suelen permanecer confinados en bases de código personalizadas, lo que crea fricción para los profesionales que intentan seguir un "flujo de trabajo bayesiano" riguroso. Esta separación dificulta la comparación sistemática de algoritmos de inferencia y limita la accesibilidad de métodos avanzados para estimar tanto los estados latentes como los parámetros del modelo.

Metodología
Los autores presentan dynestyx, una biblioteca de programación probabilística construida como una extensión de NumPyro. Dynestyx está diseñada para proporcionar soporte de primera clase para los SSM, adhiriéndose al principio de PPL de "separación de preocupaciones".

Interfaz Unificada: La biblioteca permite a los usuarios especificar distribuciones a priori arbitrarias tanto para sistemas dinámicos de tiempo discreto como de tiempo continuo a través de una interfaz única y unificada.
- Tiempo discreto: Definido por $x_{t+1} \sim p(x_{t+1} | x_t, u_t, t)$ .
- Tiempo continuo: Definido por ecuaciones diferenciales estocásticas (SDE) $dx_t = f(x_t, u_t, t) dt + L(x_t, u_t, t) d\beta_t$ .
- Observaciones: Acopladas al estado mediante $y_t \sim p(y_t | x_t, u_t, t)$ .
Ortogonalización de Componentes: Dynestyx desacopla tres componentes distintos:
1. Especificación del Modelo: Una función de Python que define la distribución a priori conjunta $p(\theta, \phi)$ y la estructura dinámica (usando DynamicalModel).
2. Estimación de la Verosimilitud Marginal (ML): El usuario selecciona un algoritmo de inferencia (por ejemplo, Filtro de Kalman, Filtro de Partículas, Filtro de Kalman de Ensamble) para aproximar la verosimilitud marginal intratable $p(y_{1:T} | \theta, \phi)$ .
3. Inferencia de Parámetros: El log-posterior resultante se pasa a las rutinas de inferencia estándar de NumPyro (por ejemplo, HMC, NUTS, Inferencia Variacional, SG-MCMC).
Implementación mediante Manejadores de Efectos: La biblioteca utiliza manejadores de efectos (inspirados en Plotkin y Pretnar, 2009) para interpretar la sentencia dsx.sample. Esto permite que la definición del modelo permanezca agnóstica al discretizador numérico o al algoritmo de filtrado específico utilizado, postergando todas las aproximaciones a la fase de inferencia.
Soporte de Efectos Mixtos: La biblioteca implementa sistemas dinámicos de efectos mixtos mediante una primitiva de placa (plate primitive), lo que permite la inferencia sobre estructuras de datos jerárquicas compatibles con cualquier combinación de estimadores de ML y métodos de inferencia de parámetros.

Contribuciones Clave

Soporte de Primera Clase para SSM en PPL: Dynestyx cierra la brecha entre la compleja teoría de sistemas dinámicos y la programación probabilística moderna, haciendo que los métodos de vanguardia sean accesibles dentro de un flujo de trabajo estándar de NumPyro.
Flexibilidad Combinatoria: Al ortogonalizar la especificación del modelo, la estimación de ML y la inferencia de parámetros, dynestyx permite un vasto espacio de diseño de combinaciones algorítmicas. Los usuarios pueden intercambiar algoritmos de filtrado (por ejemplo, EKF, UKF, Filtros de Partículas) y métodos de inferencia de parámetros (por ejemplo, HMC, Inferencia Variacional) sin reescribir el código del modelo.
Nuevas Combinaciones de Métodos: La biblioteca implementa combinaciones de estimadores y métodos de inferencia que, según los autores, no han aparecido en la literatura. Estas incluyen SSM de tiempo continuo-discreto emparejados con MCMC informado por gradiente (por ejemplo, CD EnKF con MALA) y otras diversas configuraciones híbridas, como se detalla en la tabla de mapeo del artículo.
Integración con Ecosistemas Existentes: Dynestyx se integra con bibliotecas de software existentes como dynamax, cd-dynamax y cuthbert para proporcionar una amplia gama de algoritmos de estimación de estado, incluyendo filtrado de Kalman, suavizado RTS y filtrado de partículas diferenciable.

Resultados y Capacidades
El artículo demuestra que dynestyx unifica con éxito la especificación de procesos generadores de datos idealizados con estrategias de inferencia flexibles. Las capacidades clave incluyen:

Estimación de Estado y Parámetros: La capacidad de realizar inferencia sobre datos de efectos mixtos y generar estimaciones tanto para los estados latentes como para los parámetros con una cuantificación de incertidumbre fundamentada.
Comparación Algorítmica: El marco facilita la comparación directa de diferentes composiciones de métodos de inferencia, permitiendo a los profesionales identificar "reglas de oro" y patologías en modelos complejos, flexibles o potencialmente mal especificados.
Compatibilidad: Los modelos resultantes son totalmente compatibles con rutinas genéricas de JAX, incluyendo Inferencia Variacional, HMC/NUTS y MCMC de gradiente estocástico.

Significancia
Los autores posicionan a dynestyx como una herramienta que elimina la fricción asociada actualmente a la aplicación de flujos de trabajo bayesianos a los sistemas dinámicos. Al proporcionar una representación unificada para los SSM, la biblioteca no solo hace que los métodos avanzados sean más accesibles para los profesionales, sino que también crea un banco de pruebas natural para la innovación metodológica. La capacidad de componer y comparar sistemáticamente algoritmos de inferencia permite el descubrimiento de nuevos conocimientos sobre el comportamiento de modelos complejos, impulsando potencialmente nuevos avances en el campo de los sistemas dinámicos bayesianos.