Investigadores del MIT descubren un algoritmo que acelera complejos modelos computacionales de días a horas

Investigadores del MIT (Instituto de Tecnología de Massachussets) han desarrollado un nuevo algoritmo que mejora y acelera el desarrollo de modelos computacionales complejos de días a horas.

Hasta ahora, trabajar con modelos computacionales era entrar en el mundo del desconocimiento. Modelos que simulan procesos físicos tales como el cambio climático o motores de combustión hipersónicos eran muy complejos e incorporaban cientos de parámetros. Estos, a su vez, describían una pieza de un proceso aún mayor. Además, las contribuciones a la totalidad de los parámetros eran desconocidas en gran parte. Para estimar el valor de cada parámetro desconocido requiere conectar a cientos, sino miles, de los valores, y ejecutar el modelo cada vez para reducir el número en un valor exacto, lo que suponía un cálculo que duraba días, incluso semanas.

El nuevo algoritmo ayuda a reducir enormemente el cómputo de cualquier modelo computacional. Este, durante varias ejecuciones de un modelo, y en combinación con algunos puntos de datos pertinentes, se estrecha de forma incremental sobre su objetivo: una distribución de probabilidad de los valores para cada parámetro desconocido.

Con este método, los investigadores fueron capaces de conseguir 200 veces más rápida la misma respuesta que con la utilización de enfoques tradicionales.

Youssef Marzouk, profesor asociado de aeronáutica y astronáutica, ha defendido que el algoritmo es lo suficientemente versátil como para “aplicar a una amplia gama de problemas intensivos”. “Estos modelos existen en una amplia gama de campos, desde la ingeniería hasta la geofísica, con parámetros a menudo desconocidos. Queremos tratar el modelo como si fuese un cuadro negro y decir: ‘¿Podemos acelerar el proceso de alguna manera?’ Eso es lo que hace nuestro algoritmo”, añade.

Como si de un juego de mesa se tratase

Para explicar el proceso del algoritmo de un modo sencillo, varios científicos han empleado la técnica de análisis llamada Markov chain Monte Carlo. Esta consiste en explicar el método estadístico de muestreo poniendo de ejemplo el juego del “Monopoly”.

Para establecer una estrategia en el Monopoly, el jugador debe intentar conocer cuáles son las casillas en las que los demás jugadores caen con más frecuencia. Cada casilla tiene una probabilidad de ser visitada. Esta probabilidad está relacionada con las reglas del juego, la posición de cada jugador y lo que determina el dado. Para establecer esta probabilidad sería necesario lanzar el dado cientos de veces.  Si se lanzase el dado tantas veces tendríamos una idea muy cercana de cuáles son las casillas por las que más pasan los jugadores. Así es como funciona el análisis. Mediante la repetición de la ejecución de un modelo se determina una distribución de probabilidad para un parámetro desconocido.

“El algoritmo significa que a largo plazo, las cosas que pensamos que no podían ser tratables ahora son factibles”, ha afirmado Markouz. “Para solucionar un problema complejo, si tenías dos meses de tiempo y un gran equipo, con suerte podríamos conseguir alguna respuesta, pero ninguna era exacta. Ahora, por primera vez, podemos decir que si se ejecuta el algoritmo, encontraremos la respuesta correcta, y se podrá hacer en un día”.

El departamento de Marzouk ha aplicado el algoritmo a un complejo modelo para simular el movimiento del hielo marino en la Antártida, con la participación de 24 parámetros desconocidos, y se encontraron con que el algoritmo es 60 veces más rápido en llegar a una estimación que los métodos actuales. En la actualidad, planean probar el algoritmo en modelos de sistemas de combustión para jets supersónicos.