Investigadores han desarrollado un nuevo marco computacional que permite descubrir las ecuaciones fundamentales que rigen un sistema físico, incluso cuando los datos disponibles están incompletos o son inciertos. Este avance es crucial para la ciencia de datos, ya que la mayoría de los experimentos y observaciones en el mundo real están sujetos a ruido y mediciones parciales. El método combina técnicas de aprendizaje automático con principios de la física para inferir las leyes subyacentes de manera robusta.

Tradicionalmente, el descubrimiento de ecuaciones se ha basado en datos limpios y completos. Sin embargo, en campos como la astrofísica, la biología o la ciencia de materiales, los datos suelen ser escasos, ruidosos o solo representan una parte del sistema. Este nuevo enfoque aborda esta limitación al incorporar explícitamente la incertidumbre en el proceso de modelado, permitiendo que los algoritmos identifiquen las relaciones causales y las leyes físicas con mayor fiabilidad. El marco es capaz de discernir entre el ruido y las características genuinas del sistema, lo que lleva a modelos más precisos y predictivos.

La metodología se basa en un enfoque híbrido que integra redes neuronales con métodos de inferencia bayesiana. Las redes neuronales se utilizan para aprender representaciones complejas de los datos, mientras que la inferencia bayesiana cuantifica la incertidumbre en los parámetros del modelo y en las ecuaciones descubiertas. Esto no solo proporciona las ecuaciones, sino también una medida de confianza en cada una de ellas, lo cual es vital para la validación científica. Este avance promete acelerar el descubrimiento en áreas donde la experimentación es costosa o inviable, al maximizar la información extraída de datos imperfectos.