ODEWorld: Arquitectura predictiva continua mediante flujos de tiempo físico | Modelado de sistemas dinámicos con ecuaciones diferenciales neuronales | Predicción de trayectorias y estados físicos en tiempo continuo para IA

Abstract

PROBLEMA: Los modelos de mundo actuales suelen discretizar el tiempo, lo que causa errores de acumulación y falta de realismo al predecir sistemas físicos complejos o trayectorias de larga duración que dependen del tiempo continuo. SOLUCIÓN: Se propone ODEWorld, una arquitectura de predicción continua basada en flujos de tiempo físico que utiliza Ecuaciones Diferenciales Ordinarias (ODE) neuronales para modelar el estado del entorno de forma fluida. METODOLOGÍA: El sistema integra una red de inferencia de estados con un solver de ODEs que garantiza la consistencia física entre pasos temporales arbitrarios. RESULTADOS: Supera a los modelos basados en Transformers y RNNs en tareas de predicción de dinámica de fluidos y sistemas multi-cuerpo, manteniendo la precisión incluso con muestreos irregulares de datos. RELEVANCIA: Este enfoque es crítico para la predicción de trayectorias espaciales, dinámica orbital y cualquier sistema donde la precisión del tiempo físico sea innegociable.