Modelado de degradación de sistemas caóticos mediante caminatas aleatorias en el espacio de fases

Por qué el caos importa para las máquinas de cada día

Muchos dispositivos de los que dependemos —desde las cajas de cambios de los coches hasta la electrónica que protege nuestros datos— se comportan de formas que parecen aleatorias pero que, en realidad, están gobernadas por una clase de imprevisibilidad ordenada llamada caos. Dado que los sistemas caóticos son extremadamente sensibles a cambios diminutos, a los ingenieros les resulta difícil prever cómo se desgastarán estas máquinas tras años de uso. El artículo descrito aquí introduce una nueva forma de prever el desgaste a largo plazo en tales sistemas, con la promesa de ciclos de diseño más rápidos y productos más fiables.

Patrones ocultos dentro de la aparente aleatoriedad

Los modelos tradicionales de confiabilidad asumen que el rendimiento oscila alrededor de una tendencia suave y predecible, tratando las fluctuaciones irregulares como mero ruido. Sin embargo, investigaciones recientes muestran que en muchas máquinas esas fluctuaciones proceden de dinámicas caóticas deterministas. En series temporales crudas —por ejemplo, una señal de vibración ruidosa— es difícil ver ese orden oculto. Pero cuando los ingenieros observan en el “espacio de fases”, un espacio matemático donde cada punto representa el estado completo de un sistema, el movimiento traza trayectorias complejas pero confinadas. Para diseñar sistemas caóticos de larga vida, los ingenieros necesitan entender cómo evolucionan estas trayectorias a medida que las piezas se degradan lentamente, algo difícil de lograr con las herramientas existentes.

Por qué los métodos antiguos se quedan cortos

Los enfoques actuales para modelar la degradación se dividen en tres grandes grupos: modelos basados en la física, aprendizaje automático orientado a datos y métodos híbridos que mezclan ambos. Los modelos basados en la física funcionan bien para sistemas simples donde el desgaste progresa casi independientemente de la dinámica rápida del sistema. En sistemas caóticos, por el contrario, la tasa de desgaste de cada componente está fuertemente ligada al estado global de la máquina, obligando a los simuladores a usar pasos de tiempo extremadamente pequeños y alta precisión numérica solo para mantener la exactitud. Los métodos basados en datos e híbridos necesitan grandes volúmenes de datos de envejecimiento de alta calidad para aprender patrones, pero esos datos suelen no existir cuando el sistema aún está en fase de diseño. Ninguna de estas estrategias captura fácilmente las transiciones abruptas entre un comportamiento calmado y uno altamente caótico que con frecuencia ocurren a medida que la máquina envejece.

Un nuevo mapa: caminatas aleatorias en el espacio de fases de la degradación

Los autores proponen una perspectiva distinta: en lugar de seguir cada instante de tiempo, construyen un “espacio de fases de degradación”, un mapa cuyas coordenadas son medidas del daño en los componentes más críticos. Para cada punto de este mapa ejecutan solo simulaciones cortas y detalladas de la dinámica rápida del sistema y las promedian en el tiempo para estimar qué tan rápido se desgasta cada componente en ese estado, junto con la incertidumbre de esa tasa. Estas tasas locales de desgaste definen un campo de velocidad efectivo en el mapa de degradación. El comportamiento a largo plazo se reconstruye entonces como una caminata aleatoria que salta por este espacio de fases, impulsada por las direcciones medias de desgaste pero permitida deambular dentro de la incertidumbre calculada. Con esta estrategia, el modelo evita la necesidad de simulaciones en el dominio temporal ultra‑finitas y largas, sin dejar de respetar la física subyacente.

De circuitos y cajas de cambio a reglas generales

Para demostrar que el método es de amplia utilidad, los investigadores lo aplican a dos sistemas caóticos muy diferentes entre sí: un circuito electrónico (el circuito Lars) que genera señales eléctricas complejas, y una caja de cambios de dos ejes cuyas vibraciones pueden volverse caóticas a medida que se degradan los dientes. Ambos sistemas se expresan primero en un modelo de red unificado que trata elementos electrónicos y mecánicos de forma coherente usando flujos y potenciales generalizados. El equipo construye luego espacios de fases de degradación —por ejemplo, rastreando cómo envejecen tres resistencias clave en el circuito, o cómo crecen las grietas en los dientes y la picadura superficial en la caja de cambios— y simula racimos de caminatas aleatorias partiendo de distintas condiciones iniciales. Estos racimos revelan cómo las trayectorias de envejecimiento se doblan y se dispersan cuando el sistema se desplaza entre regiones de bajo y alto caos.

Lo que el nuevo modelo revela sobre el envejecimiento

Las trayectorias en el espacio de fases muestran patrones comunes en los ejemplos electrónico y mecánico. Cuando el sistema opera en un régimen de bajo caos o no caótico, las rutas de degradación son suaves y estrechamente agrupadas, reflejando un desgaste relativamente predecible. A medida que el sistema deriva hacia un régimen más caótico, las trayectorias desarrollan quiebres pronunciados y se abren en abanico, indicando una mayor incertidumbre sobre cómo y cuándo fallarán los componentes. Aun así, incluso en regiones fuertemente caóticas, las trayectorias permanecen confinadas en racimos acotados, lo que sugiere que los resultados a largo plazo siguen siendo controlables en términos estadísticos. Cuando el sistema regresa de una región muy caótica a una más calmada, la dirección y dispersión de las trayectorias tienden a seguir las formas de estados anteriores, apuntando a una especie de “memoria” en la acumulación de daño.

Por qué esto importa para la tecnología futura

Para los ingenieros, este marco ofrece una forma de predecir la salud a largo plazo de sistemas caóticos durante la fase de diseño, sin depender de décadas de datos de prueba ni de un esfuerzo computacional prohibitivo. En pruebas numéricas sobre el circuito caótico, el modelo de caminatas aleatorias igualó las simulaciones convencionales de pasos finos mientras reducía el tiempo de cómputo más de cien veces y mantuvo los errores de predicción en torno al cinco por ciento. Dado que el método se basa en representaciones de red generales y leyes físicas promediadas, podría ampliarse a muchos otros sistemas caóticos, desde trenes motrices mecánicos complejos hasta redes de comunicación e incluso modelos de dinámica poblacional. En términos prácticos, proporciona una manera más rápida y fiable de anticipar cómo la “aleatoriedad ordenada” en las máquinas de hoy influirá en su vida útil y en su seguridad.

Cita: Lu, Z., Wang, C., Zhang, Y. et al. Degradation modelling of chaotic systems via random walks in phase space. Commun Eng 5, 34 (2026). https://doi.org/10.1038/s44172-026-00587-7

Palabras clave: sistemas caóticos, modelado de degradación, espacio de fases, caminata aleatoria, ingeniería de confiabilidad