Reconstrucción de sistemas dinámicos a partir de observaciones parciales utilizando dinámicas estocásticas

Aprender modelos estocásticos de sistemas dinámicos subyacentes a los datos observados es de interés en muchos campos científicos. Aquí proponemos un método novedoso para esta tarea, basado en el marco de autoencoders variacionales para sistemas dinámicos. El método estima a partir de los datos tanto las trayectorias de estado del sistema como las series de tiempo de ruido. Este enfoque permite realizar evolución del sistema a múltiples pasos y apoya una estrategia de teacher forcing, aliviando las limitaciones de los enfoques basados en autoencoders para sistemas estocásticos. Demostramos el rendimiento del enfoque propuesto en seis problemas de prueba, cubriendo datos simulados y experimentales. Además, mostramos los efectos del intervalo de teacher forcing en la naturaleza de la dinámica interna y lo comparamos con los modelos deterministas de arquitectura equivalente.