Este estudio investiga la predictibilidad de los Autómatas Celulares Elementales (ECA), sistemas deterministas simples pero dinámicamente ricos, utilizando dos modelos de aprendizaje automático de última generación: redes de Memoria a Largo y Corto Plazo (LSTM) y arquitecturas Transformer. Aunque los ECA están gobernados por reglas deterministas, su comportamiento a menudo exhibe pseudoaleatoriedad y dinámicas caóticas, especialmente bajo las reglas de Clase III y IV. Nuestros experimentos evalúan la capacidad de los modelos LSTM y Transformer para predecir configuraciones futuras de los ECA basándose en estados pasados. Los resultados revelan que los LSTM sobresalen en modelar reglas con dependencias a corto y medio plazo, logrando precisiones por encima del 99% en escenarios estructurados, mientras que tienen dificultades con reglas caóticas como la Regla 30. Por otro lado, los Transformers demuestran un rendimiento superior en capturar dependencias a largo plazo, logrando precisión perfecta para reglas como la Regla 90 y la Regla 62, pero incurriendo en mayores costos computacionales. Estos hallazgos subrayan los límites de la predictibilidad en sistemas deterministas pero complejos y destacan cómo diferentes arquitecturas neuronales son adecuadas para distintas formas de complejidad estructural. El trabajo contribuye a una comprensión más profunda de la capacidad del aprendizaje automático para modelar sistemas caóticos discretos y abre caminos para enfoques híbridos en el modelado predictivo de dinámicas computacionalmente irreducibles. • Los autómatas celulares permiten el análisis del caos en sistemas finitos discretos. • LSTM sobresale en reglas de autómatas celulares estructuradas a corto plazo. • Transformer captura dependencias caóticas y a largo plazo de manera más efectiva. • Los resultados comparativos revelan compensaciones en precisión, estabilidad y costo. • Los modelos híbridos pueden combinar las fortalezas de LSTM y Transformer para mejores pronósticos.
Rodrigo A. Garrido (Sun) estudió esta cuestión.