Human population dynamics as a Bayesian inverse transport problem

Resumen Técnico: La Dinámica de la Población Humana como un Problema de Transporte Inverso Bayesiano

Planteamiento del Problema
Muchos sistemas dinámicos en física, biología e ingeniería involucran procesos de transporte fuera del equilibrio cuyas leyes de conservación subyacentes son conocidas, pero cuyas relaciones constitutivas (por ejemplo, tasas de fertilidad y mortalidad) son latentes, variables en el tiempo y difíciles de inferir. En demografía, los enfoques convencionales enfrentan tres limitaciones primarias: (i) los modelos de aprendizaje automático basados en datos suelen tratar las tasas vitales específicas por edad como parámetros independientes, fallando al capturar las correlaciones entre cohortes; (ii) frecuentemente violan las leyes fundamentales de conservación de la masa; y (iii) dependen de proyecciones empíricas que carecen de interpretabilidad física. Además, los métodos tradicionales de componentes de cohorte carecen a menudo de una cuantificación de la incertidumbre nativa, mientras que los pronósticos de series temporales estándar tratan las trayectorias de las cohortes como tendencias estadísticas independientes, ignorando las restricciones estructurales del transporte estructurado por edad.

Metodología
Los autores proponen un marco de transporte inverso bayesiano unificado que integra Redes Neuronales Bayesianas (BNN) directamente dentro de ecuaciones diferenciales parciales (PDE) exactas que gobiernan el transporte poblacional de edad-tiempo.

1. Ecuaciones de Gobierno: El sistema se modela utilizando la PDE de transporte de primer orden para poblaciones estructuradas por edad:
   $$\partial_t \rho + \partial_a \rho = -\mu(a, t)\rho$$
   donde $\rho(a, t)$ es la densidad de la distribución de edad y $\mu(a, t)$ es la tasa de riesgo de mortalidad. El sistema se cierra mediante una condición de contorno de nacimiento en $a=0$ impulsada por un núcleo de fertilidad $f(a, t)$, y una edad terminal de contorno en $A_{max}$.
2. Parametrización Neuronal: En lugar de prescribir formas funcionales para la fertilidad y la mortalidad, los autores parametrizan estas leyes constitutivas utilizando BNNs.
   • Fertilidad: Modelada como una densidad gaussiana escalada por una Tasa de Fecundidad Total (TFR) latente, con parámetros (media, varianza, TFR) generados por un Perceptrón Multicapa (MLP).
   • Mortalidad: Para países con datos completos (Japón, Corea del Sur), las probabilidades de supervivencia se modelan directamente mediante una BNN. Para escenarios con escasez de datos (China), la supervivencia se modela como una perturbación alrededor de una función de riesgo base estándar para asegurar la estabilidad numérica.
3. Inferencia Bayesiana: El problema se formula como la inferencia de la distribución posterior sobre los pesos de la BNN ($W$) y el perfil de población inicial ($\rho_0$) dadas observaciones dispersas y ruidosas ($Y$). La verosimilitud se construye a partir de datos demográficos heterogéneos (población total, nacimientos, defunciones y cohortes de edad de censos).
   • Muestreo: Los autores emplean el Muestreador No-U-Turn (NUTS), un método de Monte Carlo Hamiltoniano, para muestrear la posterior de alta dimensión.
   • Implementación: El marco utiliza JAX para la compilación de alto rendimiento y diferenciación automática, con las ecuaciones de transporte compiladas en un único bucle XLA para acelerar la evaluación de gradientes.
4. Restricciones Físicas: Al embeber las BNN dentro de la PDE de transporte exacta, cada muestra de la posterior satisface automáticamente la conservación de la masa demográfica y la advección de cohorte, asegurando perfiles de edad físicamente consistentes incluso bajo observaciones dispersas.

Contribuciones Clave

• Marco Unificado: Este trabajo unifica la reconstrucción histórica, la proyección y la cuantificación de la incertidumbre en un solo marco donde los datos faltantes se recuperan mediante inferencia bayesiana en lugar de interpolación.
• Conservación de la Masa: A diferencia de los enfoques estándar de aprendizaje profundo, este marco impone la consistencia demográfica como una restricia física rígida, evitando violaciones de la conservación de la masa.
• Propagación de la Incertidumbre: El método garantiza que la incertidumbre en la fertilidad en el tiempo $t$ se propague aguas abajo a lo largo de las características de la ecuación de advección, preservando las correlaciones estructurales entre cohortes a lo largo del tiempo.
• Nuevas Métricas: Los autores introducen métricas de información para cuantificar las transiciones demográficas estructurales:
  • Entropía Demográfica Total ($S_{total}$): Combina la entropía de Shannon con un potencial de "volumen de fase" para distinguir entre poblaciones jóvenes y envejecidas, identificando la contracción estructural.
  • Divergencia KL del Equilibrio de Lotka ($D_{KL}$): Mide la distancia de la estructura de edad actual respecto al atractor estable instantáneo, sirviendo como una medida física de la fuerza impulsora demográfica.

Resultados
El marco fue aplicado a tres economías de Asia Oriental —China, Japón y Corea del Sur— caracterizadas por un rápido colapso de la fertilidad.

• Reconstrucción: El modelo reconstruyó con éxito las rejillas de edad históricas para los tres países, incluyendo China, a pesar de la ausencia de datos anuales estructurados por edad (dependiendo solo de población total, nacimientos, defunciones y cohortes censales decenales). Las distribuciones reconstruidas coincidieron con observaciones censales independientes con alta precisión.
• Inferencia Latente: El modelo infirió trayectorias de fertilidad latentes sin la TFR como entrada de entrenamiento, capturando con precisión el tiempo y la profundidad del desplome de la fertilidad en Corea del Sur y el cambio de reemplazo por debajo del nivel de fecundidad en China.
• Proyecciones (Escenario Status Quo):
  • China: Se proyecta que la población en edad de trabajar (15-64) se contraiga aproximadamente un 25% para 2050. Se espera que la Relación de Soporte Potencial (PSR) se acerque a 2.0 para 2049.
  • Corea del Sur: Exhibe la transformación estructural más dramática, con una PSR proyectada de 1.34 para 2050 y una Relación de Dependencia de Ancianos (EDR) que supera el 75%.
  • Japón: Muestra una estructura de pilares estable pero fuertemente envejecida, con una PSR ya por debajo de 2.0.
• Entropía y Dinámicas Fuera del Equilibrio: El análisis revela que la contracción de la entropía estructural actúa como un indicador adelantado del declive demográfico, precediendo por décadas a los picos de la población en edad de trabajar y de la población total. Corea del Sur exhibe una caída sin precedentes, casi vertical, en la entropía comenzando en la década de 2000, lo que indica una transición rápida hacia un estado de hiper-envejecimiento y baja entropía.

Significancia y Reivindicaciones
El artículo afirma que este marco proporciona una base generalizable para observar y pronosticar dinámicas de frontera fuera del equilibrio en diversos campos. Al tratar las ecuaciones de transporte como restricciones físicas exactas y utilizar BNN para inferir las leyes constitutivas latentes, el método ofrece una forma matemáticamente rigurosa de manejar datos dispersos y propagar la incertidumbre.

Los autores sostienen que el modelo no solo predice recuentos de población, sino que resuelve el proceso demográfico completo, proporcionando intervalos de credibilidad para cantidades específicas de edad críticas para la política (por ejemplo, oferta de mano de obra, sistemas de pensiones, planificación educativa). La introducción de la "entropía demográfica" y la "divergencia de Lotka" ofrece un nuevo lenguaje físico para describir la rigidez estructural y la naturaleza fuera del equilibrio de las sociedades envejecidas. Sugieren que este enfoque es aplicable más allá de la demografía humana a cualquier sistema caracterizado por el transporte advectivo, la generación de fronteras variables en el tiempo y sumideros internos, como flujos celulares, degradación de polímeros o transporte de carga viral.