Financiado por Agencia Estatal de Investigación (AEI)
Este proyecto aborda un problema fundacional en el modelado mecanicista de sistemas complejos y en cómo emergen los llamados modelos mínimos (descripciones sorprendentemente simples y universales). Frente al aumento exponencial de datos y a la dificultad de identificar mecanismos causales robustos, nuestra propuesta ofrece un marco unificado que integra la teoría de grandes desviaciones, la geometría de la información y la física estadística fuera del equilibrio, junto con herramientas computacionales modernas de inferencia bayesiana y de aprendizaje automático. El impacto científico previsto es doble. Por un lado, se espera establecer fundamentos teóricos nuevos que expliquen por qué sistemas muy distintos convergen hacia las mismas familias de modelos efectivos, aportando una base rigurosa a observaciones dispersas en la literatura y resolviendo un problema central en la ciencia de la complejidad: la emergencia de simplicidad a partir de interacciones heterogéneas, ruido y dinámicas multiescala. Por otro lado, estos avances se traducen en metodologías computacionales reproducibles, aplicables a problemas reales en los que los datos son escasos o ruidosos, como la activación inmune, el comportamiento de comunidades microbianas o la predictibilidad de las dinámicas epidemiológicas. Gracias a la colaboración con grupos experimentales y a la experiencia del equipo en inmunología, ecología microbiana y epidemiología cuantitativa, el proyecto genera herramientas que permitan evaluar la robustez de los modelos, cuantificar la incertidumbre y descartar hipótesis alternativas. Esto permite mejorar la interpretación y el diseño de experimentos en disciplinas en las que la complejidad ha sido tradicionalmente una barrera para la formalización matemática. Desde el punto de vista de la internacionalización, la propuesta se alinea con los programas globales de inferencia basada en simulación, machine learning inspirado en la física y modelado probabilístico en biociencias y sistemas socioecológicos, áreas en plena expansión. Los resultados se publicarán en acceso abierto en revistas de alto impacto y se liberan códigos y notebooks a través de plataformas abiertas que facilitan su adopción por parte de la comunidad científica. Asimismo, se fortalecen las redes de colaboración con grupos europeos y americanos líderes en física estadística, biología matemática y machine learning probabilístico. Finalmente, el proyecto contribuye a la formación de jóvenes investigadores en técnicas avanzadas de modelado, computación científica y análisis de incertidumbre, consolidando capacidades nacionales en un ámbito clave para la investigación interdisciplinar del futuro.
Resumen divulgativo: Este proyecto combina física estadística e inteligencia artificial para entender por qué los sistemas complejos siguen modelos simples y universales. Crea herramientas computacionales para analizar datos con ruido en inmunología, ecología microbiana y epidemiología.
Técnicas utilizadas: inferencia bayesiana, redes neuronales, IA probabilística, métodos causales
MINIMODELS
