Resumen Técnico: Dirigiendo la Evolución de Código Abierto en la Vida Artificial mediante la Divergencia de Trayectorias Multiescala

1. Planteamiento del Problema

El campo de la Vida Artificial (ALife) busca lograr una Evolución de Código Abierto (OEE) —la generación sostenida de formas y comportamientos novedosos—. Sin embargo, los enfoques actuales para impulsar la OEE dependen en gran medida de métricas de caja negra ininterpretables derivadas de redes neuronales (p. ej., búsqueda de novedad, archivos de calidad-diversidad). Estas métricas carecen de una conexión con principios de las teorías de la complejidad, dejando a los sistemas similares a la vida desconectados de la física subyacente que gobierna la complejidad biológica real.

Aunque la Complejidad Estructural Multiescala (MSSC) ofrece un enfoque basado en la física para patrones espaciales estáticos basado en la teoría del grupo de renormalización (RG), es inherentemente estática. Los sistemas biológicos reales son dinámicos. El desafío central abordado por este artículo es definir un escalar formal, explícito y computable que:

1. Optimice simultáneamente la complejidad y revele su base física.
2. Extienda el concepto de complejidad espacial multiescala hacia el dominio temporal.
3. Evite mecanismos de caja negra, proporcionando un vínculo transparente con teorías físicas como la frustración (la incapacidad de un sistema para establecerse en un único equilibrio global debido a interacciones competitivas).

2. Metodología: Divergencia de Trayectorias Multiescala (MSPD)

Los autores introducen la Divergencia de Trayectorias Multiescala (MSPD), denotada como $D_P$, una métrica escalar inspirada en el grupo de renormalización. La MSPD cuantifica la organización multiescala temporal de la heterogeneidad en las leyes de transición locales.

2.1 Marco Teórico

El método se basa en un modelo de configuración donde el estado de un sistema es un mapa $x: \mathcal{I} \to E$ (grados de libertad locales a estados locales).

• Leyes de Transición Locales: Para una configuración actual $x$, el sistema define una ley de transición $T^i_{\Delta t}(x)$ para cada grado de libertad local $i$. Esto representa la distribución de probabilidad del cambio de estado en $i$ dada la configuración global.
• Heterogeneidad Dinámica a Nivel de Estado ($\mathcal{H}_{\Delta t}$): Mide la disimilitud por pares entre las leyes de transición de diferentes componentes locales dentro de un mismo estado. Si todos los componentes locales se comportan de manera idéntica, la heterogeneidad es cero. Si diferentes regiones exhiben reglas dinámicas distintas, la heterogeneidad aumenta.
• MSPD de Trayectoria: A diferencia de la heterogeneidad estática, la MSPD mide cómo evoluciona esta traza de heterogeneidad a lo largo del tiempo a través de diferentes escalas temporales. Trata la traza de heterogeneidad como una función y calcula su sensibilidad al coarse-graining (granulometría) temporal.
  • La métrica se define como la integral del cuadrado de la derivada logarítmica de escala de la traza de heterogeneidad, normalizada por la potencia de la señal en esa escala.
  • Matemáticamente, captura sistemas donde las dinámicas expresadas en diferentes resoluciones temporales difieren significamente, distinguiéndolos del ruido puramente aleatorio o estacionario.

2.2 Estimador Computacional

Dado que las leyes de transición exactas son inobservables en las simulaciones, los autores proponen un estimador de ventana de resolución finita:

1. Seguimiento de Trayectorias: El sistema rastrea portadores locales (partículas, sitios de red o sondas de masa) a lo largo del tiempo.
2. Leyes de Transición por Ventana: Las leyes de transición locales se estiman empíricamente sobre ventanas de tiempo $I_k$ y retardos $\tau$ finitos.
3. Disimilitud por Pares ($\Delta H$): Se utiliza la distancia de Wasserstein-1 (aproximada mediante Sliced Wasserstein, $SW_1$) para medir la divergencia entre las leyes de transición empíricas de diferentes portadores.
4. Agregación: El estimador agrega estas disimilitudes por pares a través de una rejilla de escalas temporales para calcular la puntuación final de MSPD.
5. Consistencia: El artículo proporciona proposiciones que demuestran que el estimador empírico converge al funcional de trayectoria teórico bajo condiciones de estacionariedad local y muestreo suficiente.

2.3 Aplicación a Sustratos

El protocolo se aplica a tres sustratos distintos, adaptando la definición de "portadores locales" y "leyes de transición" para cada uno:

• Autómatas Celulares (CA) similares a la vida: Los portadores locales son sitios de la red; las leyes de transición son categóricas (estado del vecindario antes/después).
• Flow-Lenia: Un CA continuo de conservación de masa. Los portadores locales son trazadores de masa pasivos; las leyes de transición son leyes empíricas de desplazamientos de tiempo finito.
• Particle Life++: Un sistema de partículas mediado por redes neuronales. Los portadores locales son partículas; las leyes de transición son leyes empíricas de desplazamientos de partículas derivadas de los pesos de interacción neuronal.

3. Principales Contribuciones

El artículo realiza cuatro contribuciones primarias:

1. Definición de MSPD: Introduce la MSPD como una extensión temporal de la MSSC espacial, definida como un funcional de la trayectoria realizada mediante leyes de transición locales, con un estimador de resolución finita por ventana consistente.
2. Doble Rol: Demuestra que la MSPD funciona eficazmente tanto como una función de aptitud (fitness) libre de gradiente para la optimización evolutiva como una lente analítica post-hoc para exponer las leyes de transición locales de cualquier simulación.
3. Separación de Señal de Ruido: Muestra que los parámetros optimizados mediante MSPD producen puntuaciones de complejidad de prueba (held-out) más altas que los parámetros aleatorios comparables. Crucialmente, los estados de alta-$\Delta H$ (alta heterogeneidad) están vinculados a una mayor inestabilidad bajo intervenciones externas, lo que indica que la métrica rastrea la dinámica subyacente en lugar del ruido.
4. Fundamentación Física vía Frustración: Establece que una mayor MSPD corresponde a una frustración dependiente de la escala más fuerte. Los sistemas optimizados exhiben mayores diferencias entre las dinámicas expresadas en diferentes extensiones espaciales en comparación con los rollouts sin restricciones. Esto vincula la MSPD directamente con el criterio de frustración de la complejidad biológica (Vanchurin et al., Wolf et al.) sin que la métrica sea optimizada explícitamente para la frustración.
5. Generalizabilidad: Valida que el protocolo se transfiere a través de sustratos cualitativamente diferentes (CA discretos, campos de masa continuos y sistemas de partículas neuronales).

4. Resultados Experimentales

Los autores validan la MSPD a través de una serie de afirmaciones (N0, C1, C2, C5):

• N0 (Calibración Sintética): La MSPD distingue correctamente entre el ruido estático, el movimiento homogéneo y la complejidad temporalmente organizada.
  • Resultado: Las partículas estáticas y los blobs coherentes en movimiento (S0, S3) producen una MSPD cercana a cero. Los sistemas con transiciones temporalmente extendidas o eventos divididos (S6, S8) producen una MSPD alta. Esto confirma que la MSPD mide la organización temporal de la heterogeneidad, no solo el movimiento bruto o la novedad visual.
• C1 (Optimización vs. Controles Aleatorios):
  • Particle Life++: Los parámetros optimizados produjeron puntuaciones de MSPD significativamente más altas que los controles aleatorios emparejados (confirmado estadísticamente).
  • CA similar a la vida: Los barridos exhaustivos identificaron reglas con mayor MSPD que las reglas aleatorias.
  • Flow-Lenia: Los puntos de control optimizados mostraron un contraste positivo en 6/9 grupos, aunque no se alcanzó la significancia estadística bajo el actual protocolo de presupuesto finito (atribuido al ruido de rollout).
• C2 (Inestabilidad ante la Intervención):
  • Resultado: Los estados con mayor heterogeneidad de leyes de transición locales en el tiempo presente ($\Delta H$) exhibieron una mayor divergencia futura cuando se sometieron a pequeñas perturbaciones (cambios de bit para CA, ruido gaussiano para Flow-Lenia). Esto confirma que los estados de alta-MSPD son dinámicamente inestables y sensibles a la intervención.
• C5 (Frustración Dependiente de la Escala):
  • Resultado: Los sistemas de alta-MSPD mostraron mayores diferencias entre los rollouts restringidos y no restringidos en comparación con los controles aleatorios. Esto demuestra que la métrica captura la firma de "frustración" (no ergodicidad y paisajes rugosos) característica de la complejidad biológica, a pesar de que el objetivo de optimización fue puramente MSPD.

5. Significado y Reivindicaciones

El artículo sostiene que la MSPD proporciona un puente principial entre la ingeniería de sistemas de ALife y la física de la complejidad.

• Más allá de las Cajas Negras: A diferencia de los impulsores basados en redes neuronales, la MSPD es una fórmula explícita. No requiere entrenamiento ni descriptores ajustados manualmente.
• Interpretabilidad Física: Al vincular la alta complejidad con la frustración dependiente de la escala, la MSPD se alinea con las teorías físicas (analogías de vidrio de espín) que ven la vida como una forma de materia frustrada. Sugiere que la complejidad biológica surge de la incapacidad del sistema para establecerse en un único equilibrio, una propiedad que la MSPD cuantifica directamente.
• Marco Unificado: La capacidad de aplicar la misma métrica a través de sustratos discretos, continuos y neuronales sugiere un enfoque universal para medir y dirigir la evolución de código abierto basada en la organización temporal de las dinámicas locales.

Los autores mantienen un tono modesto, reconociendo limitaciones como la sensibilidad de la métrica a la selección de la ventana/retraso y el costo computacional del seguimiento de trayectorias de alta resolución. Posicionan la MSPD no como una definición universal de complejidad para todos los procesos, sino como un aspecto específico y medible de la complejidad dinámica para sistemas donde las leyes de transición locales son significativas.