Miguel Fuentes - Dinámica científica y medidas de complejidad

Por otro lado, Feynman se refiere a otra parte importante en el contexto formal de ecuaciones que refieren a una teoría dada: el poder de computación y predicción (por parte del científico) de las posibles soluciones de éstas, que refieren a estados que puede explorar un sistema; lo cual creemos que es de extrema importancia a nivel epistemológico, y trata básicamente de la cantidad y calidad de información utilizando métricas (cantidades cuantitativas) provenientes de teoría de información y ciencias de la complejidad. Esto último está fuera del ámbito de la presente exposición pero será abordado con las herramientas que serán detalladas en las próximas secciones en trabajos futuros.

Con respecto a estos comentarios, es importante abordar la cuestión de lo bien que la teoría describe un fenómeno o, en otras palabras, en qué nivel de detalle (el así llamado coarse graining ) en donde la predicción de la teoría funciona. Debemos estar satisfechos al decir que la teoría funciona para un fenómeno dado si las regularidades que se quieren estudiar en un nivel dado ( coarse graining ) son explicadas razonablemente (notar que discutiremos con cierta profundidad esta idea en el presente texto). Veamos un ejemplo de esto último.

En mecánica clásica newtoniana, al nivel de la descripción de las órbitas elípticas –y no obstante el tremendo éxito de la teoría– no podemos dar una respuesta completa y detallada a los patrones más complicados que emergen, por ejemplo, producto de la interacción gravitatoria, como lo es el históricamente famoso caso de la precesión anómala del perihelio de Mercurio.

Desde un punto de vista teórico, para un fenómeno dado la explicación debe ser “simple”. En términos de una métrica, o medida –que será de mucha utilidad en este trabajo– podremos anticipar que la métrica llamada Complejidad de Kolmogorov, K , debe ser pequeña. También, la explicación no debe ser tal que incluya cualquier resultado posible, debe contener como resultado típico el fenómeno en cuestión que se está describiendo; y además debemos exigir que la entropía (nivel de incertidumbre o desconocimiento) del conjunto en estudio, H , debe ser también pequeña. Estos comentarios, que dan sustento fundamental a este trabajo, serán explicados en detalle en las secciones siguientes. Pero ya podemos anticipar que existen herramientas matemáticas muy interesantes para analizar una teoría científica.

En principio, para tener un acercamiento más detallado a lo mencionado sobre medidas de complejidad (sus características, etc.), creo necesario comprender con algo de profundidad esta rama del conocimiento, las así llamadas ciencias de la complejidad, sus herramientas metodológicas que caracterizan la tarea y sus alcances. Esto es de suma importancia dado que en este trabajo buscaremos aportar a la discusión epistemológica sobre emergencia y su conexión con elección de teorías físicas, utilizando una síntesis de entre teoría de la información y medidas de complejidad.

De alguna manera existe una vinculación fuerte, o al menos así lo entiende una gran parte de la comunidad científica, entre sistemas complejos y la aparición de fenómenos novedosos o propiedades emergentes [Bedau y Humphreys, 2008].

Esta conexión se puede entender si pensamos en un sistema complejo como un conjunto de elementos, cada uno capaz de interactuar con otros a través de reglas locales simples, las cuales pueden dar surgimiento a una dinámica no lineal. Tal como menciona Lewes, reexpresado en Nicolis y Nicolis [2012]: “la no linealidad es una condición necesaria para el surgimiento de propiedades emergentes” (en el sentido señalado de propiedades emergentes, veremos detalles mas adelante en este texto), y la interacción con el medio ambiente con posibles bucles de retroalimentación (o feedback-loops ). Las propiedades que estos elementos exhiben, como un compuesto o agregado, son en su gran mayoría completamente inesperadas, y estos han recibido (también) la etiqueta de propiedades emergentes o fenómenos emergentes.

A continuación veremos y discutiremos las características de estos sistemas (complejos) e introduciremos los conceptos básicos sobre medidas para indicar su nivel o grado de complejidad. De esta manera iremos aportando información para conectar de manera conceptual y cuantitativa la complejidad con la aparición de nuevas características (a ser entendidas por una teoría).

La ciencia de la complejidad se ha convertido en una rama importante del conocimiento en el panorama científico actual. Es muy probable que su éxito se base fundamentalmente en las actividades que un científico de la complejidad realiza como parte de su agenda cotidiana. La complejidad no es una rama disciplinaria de la ciencia, actualmente no existe una teoría unificada de la misma ni sabemos cómo interrelacionar sistemáticamente todas las propiedades características involucradas en estos sistemas de estudio (los así llamados “sistemas complejos”); al contrario, es una exploración interdisciplinaria de la naturaleza, la cual involucra casi todas las escalas y ambientes. Solo por mencionar un ejemplo, cubre campos aparentemente tan lejanos como la física del plasma y la evolución de los lenguajes humanos.

Las fronteras de la ciencia se han definido principalmente por dos extremos fascinantes: el muy pequeño (un ejemplo es el gran éxito de la física cuántica desde su tierno aparecer luego del trabajo de Max Planck hacia 1900) y el muy grande. Se puede mencionar aquí otro enorme cambio paradigmático: la teoría de la relatividad, una increíble contribución hecha por el veinteañero Albert Einstein durante su annus mirabilis en 1905. Este último lo discutiremos bajo la luz de la transición existente en la comprensión de fenómenos, donde la teoría general de la gravedad es utilizada con éxito. Trataremos de conectar estos extremos del conocimiento utilizando conceptos y herramientas derivadas de la ciencia de la complejidad.

Aunque no existe una definición precisa y, por lo tanto, única, de sistemas complejos, la mayoría de los investigadores están de acuerdo en algunas de las propiedades esenciales que un sistema tiene que poseer para ser llamado complejo [Boccara, 2010]. Un sistema complejo:

(A) consiste en un gran número de agentes que interactúan, usualmente a través de reglas simples;

(B) muestra características emergentes: es decir un comportamiento colectivo difícil de predecir (no resulta de la existencia de un controlador central). A este tipo de comportamiento se lo denomina usualmente autoorganizado [Miller y Page, 2007].

Una discusión interesante y relativamente completa sobre estas características (que presenta cualquier sistema complejo) y los modelos matemáticos que podrían utilizarse como una aproximación para ellos se puede encontrar en Nicolis y Nicolis [2012]. La idea básica allí expuesta es que el comportamiento no lineal es una condición necesaria para un comportamiento complejo, y una característica de ello es la multiplicidad de estados diferentes que el sistema puede explorar.

La diversidad y especificidad de estas propiedades y características explican la gran variedad de conceptos que están ligados a la complejidad: autoorganización, estado crítico autoorganizado, autosimilaridad (característica típica en la aparición de propiedades fractales), etc. Los desafíos para comprender estas propiedades continúan, y reducen la esperanza de cualquier visión completamente unificada del dominio de la complejidad, aunque sin lugar a dudas los esfuerzos en esta dirección continúan.