Cómo la IA informada por física transforma la evaluación de riesgos en tiempo real en sistemas de seguridad

En el mundo de alta exigencia de los sistemas de detección crítica para la seguridad y apoyo a la decisión, evaluar el riesgo con precisión en tiempo real es fundamental. Las tuberías modernas de teledetección integran mediciones de radar, seguimiento distribuido y señales auxiliares. Estas enfrentan desafíos importantes como errores de registro espacial, fusión asíncrona, ruido de fondo y ventanas de decisión sensibles a la latencia. Un nuevo marco llamado TA-DE-ELM aborda estas complejidades. Combina la generación de datos sintéticos guiada por reglas de expertos con un algoritmo de Evolución Diferencial Adaptativa en Dos Etapas optimizado para Máquinas de Aprendizaje Extremo (ELM). Este enfoque ofrece un método reproducible y transparente para la evaluación ordenada de riesgos. Supera a los métodos tradicionales basados en modelos y a los modelos estándar impulsados por datos.

La evaluación de riesgos tradicional suele depender de modelos basados en el conocimiento experto. Estos incluyen el ponderado por entropía o los sistemas de reglas difusas. Aunque son interpretables, estos métodos tienen dificultades con patrones no lineales multifuente. También son sensibles al diseño subjetivo del peso. Por otro lado, los enfoques puramente impulsados por datos carecen de transparencia. A menudo fallan cuando faltan datos etiquetados confiables. El marco TA-DE-ELM cierra esta brecha. Utiliza una simulación sintética controlada donde las puntuaciones de riesgo se generan a partir de reglas expertas explícitas y auditables. Esto garantiza que la lógica subyacente de la priorización de riesgos sea clara y coherente. Esto ocurre incluso con datos de entrenamiento limitados.

La innovación principal reside en el mecanismo de optimización. La evolución diferencial estándar puede converger prematuramente al optimizar los parámetros de entrada de ELM. TA-DE resuelve esto separando el proceso de búsqueda en dos etapas. Una fase inicial de exploración utiliza la mutación clásica DE/rand/1 para cubrir amplios espacios de búsqueda. Le sigue una fase de refinamiento que aplica mutación estilo current-to-best y búsqueda local elitista. Además, un mecanismo de reinicio activado por estancamiento reinicializa parte de la población si el progreso se detiene. Esto asegura diversidad y evita la convergencia prematura. Este enfoque estructurado permite que el modelo aprenda mapeos no lineales complejos entre observaciones heterogéneas y seis niveles distintos de riesgo ordenado de manera eficiente.

Los resultados experimentales demuestran que TA-DE-ELM supera significativamente a las variantes base de ELM. Esto incluye PSO-ELM, DE-ELM y GA-ELM bajo un presupuesto computacional finito unificado. Logró una precisión de 0.9404 y una puntuación macro-F1 de 0.9396. Cerró casi el 29% de la brecha hacia el límite teórico del Oráculo. Además, superó a referencias de puntuación tradicionales como RF-GRA y Entropy-GRA tanto en discriminación como en consistencia del orden de riesgo. El marco también mostró robustez ante la degradación de características. Presentó una caída de rendimiento más lenta ante el ruido continuo en comparación con otros optimizadores. Los estudios de ablación aislaron las contribuciones de los mecanismos de refinamiento y reinicio. La investigación confirma que estas mejoras específicas son críticas para lograr un rendimiento de clasificación superior sin aumentar la latencia de inferencia. Este trabajo proporciona una herramienta vital para el cribado inicial de modelos y la comparación metodológica en entornos donde obtener etiquetas del mundo real es difícil. Esto allana el camino hacia sistemas de apoyo a la decisión automatizados más resilientes y transparentes.