🤖 machine learning

LLM-ACES: Closed-Loop Discovery of Dynamical Systems with LLM-Guided Adaptive Search

El artículo presenta LLM-ACES, un marco de bucle cerrado que aprovecha los modelos de lenguaje de gran tamaño para guiar la adquisición de datos adaptativa y la construcción de hipótesis simbólicas, superando significativamente a los métodos existentes en la recuperación precisa y eficiente de ecuaciones diferenciales ordinarias gobernantes a partir de datos limitados y ruidosos.

Autores originales: Nikhil Abhyankar, Sha Li, Sanchit Kabra, Naren Ramakrishnan, Yulia Gel, Chandan K. Reddy

Publicado 2026-06-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nikhil Abhyankar, Sha Li, Sanchit Kabra, Naren Ramakrishnan, Yulia Gel, Chandan K. Reddy

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 eres un detective tratando de descubrir las reglas secretas de una máquina misteriosa. Puedes observar cómo giran los engranajes de la máquina y cómo se mueven, pero no conoces la fórmula matemática que hace que funcionen. Este es el desafío que enfrentan los científicos al intentar descubrir las "ecuaciones rectoras" de sistemas naturales, como la propagación de un virus o la órbita de un planeta.

El artículo presenta un nuevo método llamado LLM-ACES (Búsqueda de Ecuaciones de Bucle Cerrado Guiada por LLM). Piensa en esto como un equipo de detectives superinteligentes que no solo observa la máquina, sino que plantea preguntas activamente para descubrir las reglas de forma más rápida y precisa que cualquier otro.

Así es como funciona, desglosado en pasos sencillos:

1. El Probleza: El "Punto Ciego"

Normalmente, los científicos intentan adivinar las reglas observando un conjunto fijo de datos (como una grabación de video de la máquina). El problema es que, si solo observas la máquina durante un tiempo breve o en un punto específico, muchos libros de reglas diferentes podrían explicar lo que ves.

Analogía: Imagina ver un coche conducir en línea recta. Podrías suponer que el conductor solo está pisando el acelerador. Pero si solo vieras esa línea recta, no podrías saber si el coche también tiene un volante o frenos. Necesitas ver al coche girar o detenerse para conocer las reglas completas.
El Problema: Los métodos antiguos suelen quedarse estancados adivinando las reglas incorrectas porque solo miran los datos que ya tienen. Pueden encontrar una fórmula que se ajuste perfectamente al video, pero que falle en el momento en que las condiciones cambian.

2. La Solución: El "Detective Inteligente" (LLM-ACES)

LLM-ACES cambia las reglas del juego al utilizar un Modelo de Lenguaje Grande (LLM) —un tipo de IA que sabe mucho sobre matemáticas y ciencia— como guía. En lugar de simplemente adivinar la respuesta final, la IA ayuda a diseñar la búsqueda de la respuesta.

El proceso ocurre en un bucle, como un juego de "caliente o frío":

Paso A: La IA establece las reglas del juego
La IA analiza el problema y sugiere un "menú" de posibles ingredientes matemáticos (como suma, multiplicación, ondas senoidales o exponenciales) que probablemente formen parte de la solución. Aún no escribe la ecuación final; simplemente reduce el área de búsqueda para hacerla más inteligente.
- Metáfora: En lugar de buscar una aguja en un pajar, la IA te dice: "La aguja probablemente está en este montón de heno específico y es probable que sea de acero".
Paso B: El equipo hace conjeturas
El sistema genera varias ecuaciones candidatas basadas en ese menú. Algunas pueden ser simples, otras complejas.
- Metáfora: El equipo escribe 5 teorías diferentes sobre cómo funciona el coche.
Paso C: La prueba del "Desacuerdo" (El ingrediente secreto)
Esta es la parte más importante. El sistema observa todas las 5 teorías y pregunta: "¿En qué punto discrepan estas teorías más?".
- Si la Teoría A dice que el coche irá rápido y la Teoría B dice que se detendrá, el sistema sabe que ese momento específico es el mejor lugar para probar el coche.
- Analogía: Si tus amigos están discutiendo sobre si un puente puede soportar un camión o una motocicleta, lo más inteligente es conducir un camión pesado a través de él. Esa prueba te dirá inmediatamente quién tiene razón.
- El sistema entonces le pide al "Oráculo" (un simulador o un experimento real) que haga funcionar la máquina bajo esas condiciones específicas para obtener nuevos datos.
Paso D: El bucle de retroalimentación
Los nuevos datos se devuelven al equipo. Las teorías que fueron erróneas se descartan o se corrigen. Las teorías que fueron correctas se fortalecen. La IA actualiza su "menú" de ingredientes para la siguiente ronda.
- Resultado: El equipo se vuelve más inteligente con cada prueba, reduciendo rápidamente el campo hasta encontrar el conjunto de reglas verdaderas.

3. Por qué es mejor

El artículo probó este método en 122 sistemas matemáticos diferentes (como modelos climáticos o reacciones químicas) y lo comparó con los mejores métodos existentes.

Precisión: LLM-ACES encontró las fórmulas matemáticas correctas con mucha más frecuencia que los demás. Mientras que otros métodos podrían acertar con los números para los datos específicos que vieron, a menudo fallaban en la estructura de la fórmula. LLM-ACES acertó la estructura.
Eficiencia: Necesitó 10 veces menos datos para encontrar la respuesta correcta. No necesitó observar la máquina durante horas; sabía exactamente qué clip corto observar para resolver el misterio.
Robustez: Incluso cuando los datos tenían ruido (como un video tembloroso), LLM-ACES pudo encontrar las reglas reales, mientras que otros métodos se confundieron e inventaron reglas falsas para ajustarse al ruido.

Resumen

En resumen, LLM-ACES es un sistema que utiliza la IA no solo para adivinar las leyes de la naturaleza, sino para diseñar los experimentos necesarios para probarlas. Trata el descubrimiento científico como una conversación: hace una conjetura, plantea una pregunta específica para probar esa conjetura, aprende de la respuesta y repite. Esto permite encontrar las verdaderas "reglas secretas" de sistemas complejos de forma más rápida, con menos datos y con mayor precisión que los métodos anteriores.

Resumen Técnico: LLM-ACES

Planteamiento del Problema

La recuperación de las ecuaciones diferenciales ordinarias (EDO) gobernantes a partir de datos es un desafío fundamental en el modelado de sistemas dinámicos. Los enfoques existentes suelen plantear esto como un problema de inferencia estática sobre conjuntos de datos fijos, asumiendo que las trayectorias observadas son suficientemente informativas. Sin embargo, los sistemas dinámicos a menudo evolucionan sobre espacios de estados extensos donde los datos limitados pueden hacer que ecuaciones estructuralmente distintas sean observacionalmente indistinguibles. Esto conduce a "brechas de identificabilidad", donde una ecuación candidata se ajusta bien a los datos observados pero predice un comportamiento incorrecto bajo nuevas condiciones iniciales o horizontes temporales más largos. Los métodos actuales no logran abordar la naturaleza de bucle cerrado completa del descubrimiento: o bien buscan ecuaciones en datos estáticos (pasivos) o adquieren datos sin utilizar hipótesis simbólicas estructuradas para guiar la experimentación.

Metodología: LLM-ACES

Los autores proponen LLM-ACES (Búsqueda de Ecuaciones de Bucle Cerrado Activo Guiada por LLM), un marco que optimiza conjuntamente la construcción de hipótesis simbólicas y la adquisición adaptativa de datos. La idea central es que la hipótesis simbólica y el conjunto de datos adquirido deben coevolucionar mediante retroalimentación iterativa.

1. Generación de Hipótesis Guiada por LLM

En lugar de pedir a los Modelos de Lenguaje de Gran Escala (LLM) que generen directamente las ecuaciones finales, LLM-ACES utiliza un LLM ( $\pi_\theta$ ) para generar prioris de operadores.

Proceso: En cada iteración, el LLM recibe metadatos de la tarea, vocabularios de operadores disponibles y un búfer de experiencia que contiene la retroalimentación de iteraciones previas.
Salida: El LLM genera un conjunto de $K$ prioris de operadores (restricciones sobre operadores unarios y binarios, por ejemplo, $\sin, \cos, +, \times$ ). Estas prioris definen subespacios simbólicos restringidos dentro del espacio de hipótesis más amplio.
Estrategia: Una priori explota patrones de operadores de alto rendimiento del búfer de experiencia (explotación), mientras que otras exploran composiciones estructuralmente distintas (exploración).
Ajuste: Un motor de regresión simbólica (por ejemplo, PySR) ajusta las ecuaciones candidatas dentro de estos subespacios restringidos para minimizar el error de predicción y la complejidad.

2. Adquisición de Datos Impulsada por Hipótesis

El marco emplea una estrategia de adquisición impulsada por la divergencia predictiva para resolver las brechas de identificabilidad.

Métrica de Divergencia: El sistema calcula el desacuerdo predictivo promedio por pares (Error Cuadrático Medio Normalizado) entre los despliegues (rollouts) de la población de candidatos actual sobre un horizonte de predicción.
Selección: Las nuevas condiciones iniciales se seleccionan maximizando esta divergencia. El objetivo es consultar regiones del espacio de estados donde las hipótesis dinámicas competidoras discrepan significativamente.
Bucle de Retroalimentación: Las trayectorias recién adquiridas se añaden al conjunto de datos. Todos los candidatos son reevaluados y el búfer de experiencia se actualiza con candidatos de alto rendimiento (que refuerzan operadores efectivos) y de bajo rendimiento (que desalientan estructuras espurias). Esto refina el espacio de hipótesis para la siguiente iteración.

3. Implementación

El marco se instancia con backbones de LLM (GPT-4o-mini y Qwen-3-32B) y un resolvedor de EDO basado en SciPy para el oráculo. Opera en un bucle cerrado donde el LLM guía el espacio de búsqueda, el motor de regresión ajusta las ecuaciones y el desacuerdo entre los candidatos impulsa la adquisición de nuevos datos.

Contribuciones Clave

Descubrimiento de Ecuaciones de Bucle Cerrado: Un marco unificado que acopla la construcción de hipótesis simbólicas guiada por LLM con la adquisición adaptativa de trayectorias, permitiendo que el espacio de hipótesis y el conjunto de datos coevolucionen.
Espacios de Búsqueda Simbólica Inducidos por LLM: Utilización de LLM para construir prioris de operadores informadas por el dominio que restringen la regresión simbólica, desacoplando el diseño del espacio de hipótesis del ajuste de la ecuación.
Adquisición de Datos Impulsada por la Divergencia: Una estrategia que selecciona las condiciones iniciales maximizando la divergencia predictiva entre los candidatos, apuntando directamente a las regiones donde las hipótesis competidoras son más difíciles de distinguir.
Mejoras Empíricas: Demostró un rendimiento superior en reconstrucción, generalización y entornos fuera de distribución en comparación con los baselines pasivos y activos.

Resultados Experimentales

El método fue evaluado en 122 sistemas de EDO que abarcan ODEBench (63 sistemas) y ODEBase (59 sistemas).

Métricas de Rendimiento: El artículo reporta el Error Cuadrático Medio Normalizado (NMSE), la precisión simbólica y la complejidad de la expresión.
Precisión: LLM-ACES logró el NMSE mediano más bajo en todos los entornos (reconstrucción, generalización y fuera de distribución), superando a los baselines de vanguardia (incluyendo SINDy, PySR, ODEFormer, LLM-ODE y métodos activos como la Optimización Bayesiana) por varios órdenes de magnitud.
- ODEBench: NMSE mediano de $1.33 \times 10^{-17}$ (Reconstrucción) con GPT-4o-mini.
- ODEBase: NMSE mediano de $3.70 \times 10^{-15}$ (Reconstrucción) con Qwen-3-32B.
Precisión Simbólica: LLM-ACES logró la mayor precisión simbólica, recuperando la forma funcional correcta en el 46.2% de los casos de ODEBench (GPT-4o-mini) y el 52.4% de los casos de ODEBase (Qwen-3-32B).
Eficiencia de Muestreo: LLM-ACES superó a los baselines incluso cuando los métodos competidores contaban con presupuestos de datos significativamente mayores (hasta 10 veces más muestras). Logró un mejor rendimiento con solo un décimo de los datos requeridos por otros métodos.
Robustez: La adquisición impulsada por retroalimentación hizo que el método fuera robusto al ruido y evitó la recuperación de términos espurios que se ajustan localmente a los datos pero fallan en capturar las relaciones gobernantes reales.

Significado y Reivindicaciones

El artículo afirma que LLM-ACES aborda una limitación fundamental en el descubrimiento científico actual: la separación del la búsqueda de ecuaciones y la recolección de datos. Al tratar el descubrimiento como un proceso de inferencia activa donde las hipótesis guían la adquisición de datos, el marco resuelve las brechas de identificabilidad que los métodos estáticos no pueden superar.

Impacto Científico: Los resultados sugieren que el descubrimiento de ecuaciones debe verse no como un problema de regresión estática, sino como un proceso iterativo donde las hipótesis y las observaciones se informan continuamente entre sí.
Rol de los LLM: El artículo enfatiza que los LLM son más efectivos no como generadores directos de ecuaciones, sino como herramientas para inducir espacios de búsqueda estructurados y razonar sobre composiciones de operadores basados en la retroalimentación de los datos.
Limitaciones: Los autores señalan que el marco actual se centra en sistemas de EDO autónomos y depende del acceso a un simulador o un oráculo experimental. Puede requerir modificaciones para EDP (ecuaciones diferenciales parciales), dinámica estocástica o entornos donde la adquisición de datos sea costosa o esté sujeta a restricciones de seguridad. Además, el rendimiento es sensible a la elección del backbone del LLM y a la ingeniería de prompts.

El trabajo concluye que la integración de modelos fundacionales con prioris estructuradas y experimentación adaptativa permite un descubrimiento científico más interpretable, eficiente en datos y fiable.