Unstable-Singularity-Detector: un desafío a un problema centenario de la dinámica de fluidos (open source que reproduce por completo el paper de DeepMind)

(github.com/Flamehaven)

4 puntos por flamehaven01 2025-10-05 | Aún no hay comentarios. | Compartir por WhatsApp

TL;DR

El paper de DeepMind sobre "detección de singularidades en fluidos" (2024) no incluía código.

Así que se reprodujo por completo de principio a fin solo a partir del paper.

Ahora se publica un pipeline realmente funcional que genera un reporte PDF en 7 segundos.

💥 Problema: la enfermedad crónica de la investigación en IA

DeepMind (2024)

“Discovering new solutions to century-old problems in fluid dynamics”

📄 arXiv:2509.14185

Resumen del contenido

Problema abierto de más de 100 años: ¿puede un fluido explotar en tiempo finito?
Detección de singularidades con Physics-Informed Neural Network (PINN)
Cómputo de ultra alta precisión (10⁻¹³) y entrenamiento complejo en múltiples etapas

Problemas

❌ Código no publicado
❌ Método de reproducción poco claro
❌ Imposible de ejecutar solo con las fórmulas

Como resultado, los investigadores de todo el mundo no tenían otra opción más que “leerlo y rendirse”.

✅ Solución: proyecto abierto de reproducción independiente

🚀 Unstable Singularity Detector

Implementación open source completamente independiente y sin relación con DeepMind

Usando únicamente las fórmulas y la metodología publicadas en el paper,

reproduce de principio a fin la verificación de singularidades en dinámica de fluidos.

💡 Filosofía: por qué este proyecto importa

Se publica el paper → no hay código → no se puede reproducir → la investigación se estanca

El mensaje de este proyecto:

“Convirtamos la ciencia que existe solo en papers en herramientas ejecutables.”

La esencia de la ciencia abierta es la reproducibilidad.

Un paper sin código es ciencia a medias.

🎓 ¿Quién lo usaría?

🧠 Investigadores en dinámica de fluidos — validación y extensión del paper
🔬 Desarrolladores de PINN / SciML — referencia para optimización de alta precisión
🎓 Estudiantes y tesistas — práctica de implementación de papers
🤖 Investigadores en IA — tomar conciencia del problema de los “papers sin código”
🧑‍🏫 Docentes — material práctico para clases de PINN

🚀 Empieza en menos de 5 minutos

git clone https://github.com/Flamehaven/unstable-singularity-detector.git  
cd unstable-singularity-detector  
pip install -r requirements.txt  
python examples/e2e_full_ipm.py

Resultado:

salida de logs de convergencia en tiempo real
generación de results/ipm_full_demo/ipm_full_report.pdf
reporte PDF de 3 páginas (curvas de convergencia + historial de entrenamiento + métricas)

🎯 Prueba de que realmente funciona

v1.3.2 — Complete E2E Pipelines (“Show Me It Works” Release)

1️⃣ IPM (Incompressible Porous Media)

python examples/e2e_full_ipm.py --grid-size 16  
# después de 7.3 segundos → generación automática de reporte PDF + métricas JSON  
condición inicial: sin(πx)sin(πy)sin(πz)

condición inicial: sin(πx)sin(πy)sin(πz)
embudo Lambda: convergencia en 1 iteración
residual: 1e-3 → 1e-7 (mejora de 1000x)
salida: reporte PDF de 3 páginas (curvas de convergencia + métricas)

2️⃣ 2D Boussinesq (convección térmica)

python examples/e2e_boussinesq_2d.py --grid-size 64

validación de conservación de energía (residual de 5e-8)
generación automática de reporte PDF

3️⃣ Ecuación de calor 1D (validación con solución analítica)

pytest tests_e2e/test_heat_equation_1d.py -v  
# 7/7 tests PASSED

solución analítica: u = exp(-π²t)sin(πx)
error de la solución numérica: < 0.04
residual de la PDE: < 0.05

🔍 Tabla de validación frente al paper

Componente	Referencia en el paper	Método de validación	Resultado	Estado
Fórmula de predicción de Lambda	Fig 2e	comparación numérica directa	error <1%	✅
Funnel Inference	Sec 3.2	prueba de convergencia	convergencia en 1–2 iteraciones	✅
Entrenamiento multi-stage	Sec 3.3	seguimiento del residual	10⁻⁷ alcanzado	✅
Gauss–Newton	Eq 7–8	benchmark de precisión	10⁻¹³	✅
Condiciones de frontera	Sec 2.3	Dirichlet BC	error < 10⁻¹⁰	✅
Transformación autosimilar	Fig 3	transformación de coordenadas	implementación completada	✅

✅ Tasa de validación completada: 100% (todas las fórmulas publicadas en el paper)

🛠️ Aspectos técnicos destacados

Innovaciones clave

Entrenamiento basado en objetivos de precisión

# Stage 1: Adam warmup → 1e-6  
# Stage 2: Fourier features → 1e-9  
# Stage 3: Gauss–Newton → 1e-12

Eficiencia de memoria
- aproximación Hessiana Rank-1 → O(P²) → O(P)
- ahorro de memoria de 1000x

EMA Smoothing

H_t = β * H_{t-1} + (1 - β) * (JᵀJ)_t

Sistema de validación automática
- 111/113 tests aprobados (2 omitidos por GPU)
- integración completa con GitHub Actions CI/CD

📊 Ejemplo de uso real

from unstable_singularity_detector import UnstableSingularityDetector  
  
detector = UnstableSingularityDetector(equation_type="ipm")  
lambda_0 = detector.predict_next_unstable_lambda(current_order=0)  
  
print(f"Predicted: {lambda_0:.10f}")  
# Output: 1.0285722760 (error de 0.000% respecto al valor del paper)

🧩 Pipeline completo (resumen en 10 líneas)

from examples.e2e_full_ipm import FullIPMPipeline  
from pathlib import Path  
  
pipeline = FullIPMPipeline(output_dir=Path("results/my_experiment"), grid_size=32)  
pipeline.run()  
# después de 7 segundos se generan los reportes PDF y JSON

📈 Estado del proyecto (v1.3.2)

Ítem	Cifra
Código	15,000+ lines
Tests	111/113 passing (98.2%)
Documentación	2,500+ lines
Commits	150+
Licencia	MIT
Python	3.8+
Dependencias principales	PyTorch, NumPy, SciPy

🔐 Transparencia y límites

Independencia clara

proyecto personal de investigación sin relación con DeepMind
uso exclusivo de las fórmulas publicadas en el paper
licencia MIT
todos los límites están publicados

Límites actuales

violación de cantidades conservadas: IPM 128% (límite de capacidad de la red)
error de Lambda: Boussinesq 42% (se planea una corrección empírica)
precisión: orientado a demos (no para producción)

💬 Se agradece el feedback

Cambiemos juntos “un mundo donde hay papers pero no código”.

Made with 🔬 by independent researchers, for open science