CHRONOS: A Causally-Constrained Architecture for Scientifically Defensible Counterfactual History

Resumen Técnico: CHRONOS – Una arquitectura con restricciones causales para una historia contrafactual científicamente defendible

Planteamiento del Problema
Las propuestas existentes para simulaciones de "qué pasaría si" asistidas por IA (por ejemplo, Rafi, 2024) han permanecido mayoritariamente en el ámbito cualitativo, centrándose en el potencial educativo de las narrativas interactivas sin especificar una arquitectura computacional capaz de rigor científico. Estos sistemas sufren cinco brechas metodológicas críticas:

1. Falta de Consistencia Causal: Generan salidas narrativamente fluidas pero causalmente arbitrarias porque carecen de un mecanismo formal para propagar intervenciones a través de un sistema histórico sin incurrir en contradicciones.
2. Ausencia de Representación de la Incertidumbre: Típicamente producen una única narrativa determinista en lugar de un espacio de resultados plausibles ponderados por probabilidad con confianza calibrada.
3. Falta de una Representación del Conocimiento Integrada: No utilizan representaciones estructuradas (como grafos de conocimiento temporal) para vincular hechos históricos heterogéneos (políticos, militares, económicos) en un formato consultable.
4. Ausencia de un Marco de Evaluación: No existen bancos de pruebas para la plausibilidad causal o el acuerdo de expertos, tratando los "insights de la IA" como afirmaciones terminales en lugar de hipótesis contrastables.
5. Comportamiento de Agentes no Restringido: No logran modelar respuestas de agentes múltiples estratégicas y adaptativas ni restringir las acciones de los agentes frente a las restricciones históricas conocidas, lo que conduce a patrones de escalada impredecibles (como se documentó en Rivera et al., 2024).

Además, la literatura sobre la historia contrafactual sigue siendo un debate epistemológico no resuelto respecto a la falta de trazas empíricas de los pasados contrafactuales. Cualquier sistema computacional debe abordar esto distinguiendo entre evidencia establecida, extrapolación razonada y propuestas arquitectónicas especulativas.

Metodología: La Arquitectura CHRONOS
El artículo propone CHRONOS (Causal Historical Reasoning Over Networked Ontologies and Simulation), una arquitectura híbrida diseñada para cerrar las brechas identificadas. Integra seis etapas de procesamiento secuenciales/paralelas:

1. Capa de Datos Históricos: Ingiere fuentes primarias y secundarias, aplicando etiquetado de procedencia-confianza para representar la historiografía disputada como distribuciones en lugar de hechos colapsados.
2. Grafo de Conocimiento Temporal (TKG): Construye 12 subgrafos de dominio vinculados (Político, Militar, Económico, etc.) que extienden el TKGR estándar para soportar consultas contrafactuales (intervenciones) en lugar de solo pronósticos.
3. Modelo Causal Estructural (SCM) de Grano Grueso: Mapea el TKG a un Grafo Acíclico Dirigido (DAG) de nodos de eventos. Utiliza el cálculo do de Pearl para realizar "cirugía de grafos" (seccionar las aristas entrantes a un nodo intervenido) y muestreo hacia adelante mediante métodos de Monte Carlo.
4. Capa de Simulación de Agentes Multi-LLM: Los actores institucionales se instancian como agentes impulsados por LLM con pilas de objetivos y memoria episódica. Crucialmente, sus espacios de acción están restringidos por el SCM: un agente no puede seleccionar una acción si el grafo causal marca sus precondiciones como falsas. Esto evita los modos de fallo de "escalada impredecible" observados en los wargames de LLM no restringidos.
5. Sub-solucionador Combinatorio: Un módulo pluggable para resolver problemas de partición de coaliciones (formulados como MaxCut). Por defecto utiliza solucionadores clásicos, pero incluye una interfaz condicional para el Algoritmo de Optimización Cuántica Aproximada (QAOA) o el Eigensolver Variacional Cuántico (VQE) para la maduración futura del hardware.
6. Capa de Salida Explicable y Auditoría: Genera árboles de ramificación con puntuaciones de confianza, trazas completas de rutas causales, etiquetas de procedencia y registros de contradicción.

Contribuciones Clave

1. Arquitectura Formal: La primera especificación de una arquitectura híbrida que combina grafos de conocimiento temporal, SCM parciales y LLM multi-agente con recuperación aumentada (RAG).
2. Algoritmo de Propagación: Un algoritmo formal (CHRONOS-Propagate) que adapta el cálculo do a grafos de eventos históricos discretos, manejando explícitamente las reglas de consistencia y la resolución de contradicciones.
3. Marco de Evaluación: Una propuesta de suite de benchmarks (Tabla 4) que adapta las métricas de Cuantificación de la Incertidumbre (UQ) (por ejemplo, Error de Calibración Esperado) al entorno contrafactual, donde la "verdad fundamental" es reemplazada por el acuerdo del historiador experto.
4. Evaluación Honesta de la Utilidad Cuántica: Un análisis condicional y no exagerado de la computación cuántica. El artículo identifica la partición de coaliciones como el único subproblema potencialmente adecuado para la optimización cuántica, pero concluye que, dadas las limitaciones actuales de la era NISQ (mesetas barrenadas, tasas de error), los solucionadores clásicos siguen siendo la única opción viable.

Resultados Experimentales y Hallazgos
El artículo implementa y ejecuta los mecanismos centrales en instancias sintéticas de tipo "toy" para validar la viabilidad, evitando explícitamente la fabricación de validaciones en el mundo real.

• Propagación Causal (grafo de 9 nodos): La propagación de Monte Carlo (20,000 muestras) demostró que el sistema produce distribuciones de probabilidad calibradas en lugar de narrativas únicas. Sin embargo, la tasa de contradicción (incoherencia lógica en muestras puras) fue significativa (~30–34%), lo que subraya la necesidad del motor explícito de reglas de consistencia.
• Optimización Cuántica (MaxCut de 6 qubits): Una simulación de estado vectorial de QAOA mostró que las razones de aproximación mejoraron con la profundidad del circuito, pero no alcanzaron el óptimo clásico dentro de las profundidades probadas (p=1 a p=3). El método de hill-climbing clásico resolvió la instancia inmediatamente, confirmando que la ventaja cuántica cercana no está presente actualmente para esta clase de problemas.
• Chequeo Computacional Escalado (30 nodos; 12 qubits):
  • Tasa de Contradicción: Al escalar el grafo causal de 9 a 30 nodos, la tasa de contradicción bruta aumentó de 30% a **90%**. Esto indica que las reglas de consistencia escritas a mano no escalan; se requiere un proceso de generación de restricciones sistemático derivado de esquemas para grafos más grandes.
  • Rendimiento de QAOA: A 12 qubits, la razón de aproximación se volvió no monotónica con la profundidad del circuito (p=2 superó a p=3), consistente con la dinámica de mesetas barrenadas (barren plateaus) conocida y la dificultad de optimizar los parámetros clásicos del circuito cuántico.

Significancia y Reivindicaciones
El artículo posiciona a CHRONOS no como un sistema desplegado y validado, sino como una propuesta arquitectónica falsable y evaluable. Su significancia principal radica en:

• Honestidad Epistémica: Separa rigurosamente las afirmaciones respaldadas por la literatura citada de las propuestas originales y especulativas. Admite explícitamente que se requiere validación empírica en el mundo real (KGs históricos poblados, despliegue multi-agente en vivo, revisión de historiadores independientes) y que esta no ha sido fabricada aquí.
• Defendibilidad Científica: Al fundamentar el razonamiento contrafactual en modelos causales estructurales y la propagación explícita de la incertidumbre, CHRONOS mueve el campo de los "juegos de salón" de plausibilidad narrativa hacia simulaciones auditables y científicamente defendibles.
• Abordaje de Modos de Fallo: Aborda directamente el modo de fallo documentado de los agentes LLM que escalan de forma impredecible en wargames, imponiendo la legalidad de las acciones constreñidas por el grafo, una característica ausente en trabajos previos como WarAgent o BattleAgent.

El artículo concluye que, si bien el rendimiento total del sistema frente a datos históricos reales sigue siendo una pregunta empírica abierta, los mecanismos computacionales centrales (propagación de cálculo do con detección de contradicciones y la incertidumbre calibrada) son implementables y producen resultados interpretables y cuantificables, representando un paso concreto más allá de los enfoques basados únicamente en la narrativa.