Data driven tensor product-based modeling and control of a damped Lotka-Volterra predator-prey process

En el mundo de la ingeniería, controlar una máquina o un sistema biológico a menudo se siente como intentar pilotar un barco a través de una tormenta mientras el mapa cambia constantemente. Para guiar un sistema —ya sea un brazo robótico, un reactor químico o una población de animales— los ingenieros necesitan un modelo matemático, un conjunto de reglas que prediga cómo reaccionará el sistema ante diferentes entradas. Para máquinas simples y predecibles, estas reglas son fijas y fáciles de escribir. Pero para sistemas vivos complejos donde las cosas cambian según su estado actual, las reglas son fluidas. El desafío ha sido durante mucho tiempo cómo crear un mapa fiable para estos paisajes cambiantes utilizando únicamente los datos que podemos medir, sin necesidad de conocer cada detalle oculto de cómo funciona el sistema por dentro. Si podemos construir un mapa lo suficientemente bueno a partir de la observación, podemos entonces diseñar un controlador que impulse suavemente al sistema hacia una trayectoria deseada, manteniéndolo estable incluso cuando intenta desviarse de su camino.

Este es el núcleo del rompecabezas abordado por Árpád Varga, un investigador de la Universidad de Óbuda en Hungría, quien se propuso probar una nueva forma de modelar y controlar un escenario biológico clásico: la relación depredador-presa. El sistema específico que estudió es una versión amortiguada del modelo de Lotka-Volterra, una famosa descripción matemática de cómo las poblaciones de depredadores y presas aumentan y disminuyen juntas. En la naturaleza, si hay demasiados depredadores, estos comen demasiadas presas, provocando que la población de presas colapse, lo que eventualmente lleva a que los depredadores mueran de hambre y sus números disminuyan, permitiendo que las presas se recuperen. Este ciclo puede ser caótico, pero en este estudio, el sistema estaba "amortiguado", lo que significa que naturalmente se estabiliza con el tiempo en lugar de oscilar para siempre. El objetivo del investigador era ver si podía tomar mediciones de estas poblaciones, construir un modelo simplificado de su comportamiento utilizando una técnica matemática específica llamada modelado de producto tensorial, y luego usar ese modelo para forzar a las poblaciones a permanecer en un nivel específico y deseado, domesticando efectivamente los cambios salvajes de la naturaleza.

Para hacer esto, Varga primero tuvo que averiguar cómo describir el sistema sin conocer las constantes biológicas exactas que lo gobiernan. En lugar de adivinar las reglas, trató al sistema como una caja negra que podía observar. Al medir el número actual de presas y depredadores, y también midiendo qué tan rápido cambiaban esos números en cada momento, pudo calcular una instantánea del comportamiento del sistema. Utilizó un truco matemático, conocido como operación de pseudo-inversa, para realizar ingeniería inversa a la relación entre el estado actual y el cambio de estado. Esto le dio una imagen aproximada e instantánea de la lógica interna del sistema. Sin embargo, estos datos brutos eran desordenados y difíciles de usar para el control. Para hacerlos útiles, ajustó curvas polinómicas suaves a los puntos de datos, esencialmente dibujando una superficie continua a través de las mediciones dispersas para representar cómo se comporta el sistema a través de diferentes niveles de población.

El investigador probó entonces un método más avanzado para representar estos mismos datos: el modelado de producto tensorial. Imagine los datos como una forma compleja y multidimensional. En lugar de describir esta forma con una única ecuación masiva que requiere almacenar miles de números, el modelado de producto tensorial descompone la forma en una cuadrícula de bloques de construcción más pequeños y simples. Calcula el comportamiento del sistema observando cómo estos bloques se combinan basándose en los números de población actuales. La idea es que este enfoque podría ser más eficiente, especialmente para sistemas muy complejos con muchas variables, porque puede capturar el comportamiento esencial con menos números almacenados que una ecuación polinómica tradicional. En este estudio, el investigador comparó el ajuste polinómico tradicional frente a este nuevo enfoque de producto tensorial para ver cuál creaba un mejor mapa para que el controlador lo utilizara.

Los resultados de las simulaciones por computadora mostraron que ambos métodos funcionaron bien dentro del rango de los datos que habían visto. Los modelos pudieron predecir con precisión cómo se comportaría el sistema, permitiendo que un algoritmo de control, basado en un principio llamado control de par computado, guiara las poblaciones hacia un número objetivo. Este método de control funciona calculando constantemente la diferencia entre dónde está el sistema y dónde debería estar, y luego aplicando una fuerza correctiva para cerrar esa brecha. En las simulaciones, tanto el modelo polinómico como el modelo de producto tensorial mantuvieron con éxito las poblaciones de depredadores y presas estables en los niveles deseados, con errores muy pequeños. El modelo de producto tensorial mostró una ligera desventaja en este caso específico y simple: debido a que el sistema solo tenía dos variables (depredadores y presas), el método tensorial requirió en realidad almacenar más números que el método polinómico. Los investigadores señalaron que la ventaja del enfoque tensorial es probable que aparezca solo en sistemas mucho más complejos con muchas más variables, donde el método tradicional se volvería demasiado pesado y lento de usar.

Para demostrar que esto no era solo una fantasía de computadora, Varga construyó una versión física del experimento utilizando una computadora analógica, un dispositivo que utiliza circuitos eléctricos para simular relaciones matemáticas en tiempo real. Conectó este hardware a un controlador industrial moderno, creando un sistema híbrido donde el circuito físico representaba la dinámica de depredador-presa y el controlador digital aplicaba las correcciones. La configuración incluía señales de voltaje que representaban las poblaciones, con voltajes positivos que añadían a la población y voltajes negativos que representaban la caza o la eliminación. El controlador utilizó el modelo de producto tensorial, cargado en su memoria, para calcular los ajustes necesarios. Cuando se dejaba solo el sistema, las poblaciones oscilaban como se esperaba. Pero cuando se encendía el controlador, este guiaba con éxito las poblaciones desde sus puntos de partida caóticos hacia los valores estables específicos que el investigador había elegido.

El experimento físico confirmó que el enfoque basado en datos funciona en el mundo real, no solo en la teoría. El controlador logró estabilizar las poblaciones, aunque el seguimiento fue ligeramente menos perfecto que en las simulaciones por computadora, lo cual es típico al pasar de un entorno digital limpio a uno físico con ruido eléctrico y limitaciones de hardware. Los investigadores encontraron que el sistema podía manejar diferentes valores objetivo, moviendo las poblaciones hacia nuevos estados estacionarios de manera fluida. También demostraron que el controlador podía adaptarse a objetivos cambiantes en tiempo real, una capacidad crucial para aplicaciones prácticas. El estudio concluyó que, si bien el método de producto tensorial no ofreció una ventaja de memoria para este sistema simple de dos variables, la metodología general de construir un modelo directamente a partir de mediciones y utilizarlo para el control es robusta y efectiva.

El trabajo destaca un cambio en la forma en que los ingenieros podrían abordar los sistemas complejos. En lugar de pasar años intentando derivar ecuaciones exactas para cada interacción biológica o química, es posible observar el sistema, aprender su comportamiento a partir de los datos y construir un modelo funcional sobre la marcha. Este enfoque es particularmente poderoso para sistemas donde la física subyacente es demasiado complicada para escribirse perfectamente, pero donde el comportamiento puede medirse. El estudio sugiere que para sistemas más simples, los métodos tradicionales pueden seguir siendo suficientes, pero a medida que los sistemas crecen en complejidad, la capacidad de descomponer el comportamiento en componentes manejables y ponderados podría volverse esencial. La investigación es una prueba de concepto de que el modelado basado en datos puede domesticar con éxito los ritmos impredecibles de la naturaleza, ofreciendo una nueva herramienta para gestionar desde poblaciones de vida silvestre hasta procesos industriales.