Mechanica Labs
ES
Mechanica Labs

Resolviendo problemas complejos transparentemente

Comprender los mecanismos que subyacen a los sistemas complejos.

Fig. 1

Estudiamos cómo funcionan por dentro los sistemas complejos. Nuestro trabajo principal es la interpretabilidad mecanicista: desarmamos redes neuronales entrenadas para encontrar los algoritmos que aprenden. Conocer el algoritmo permite reducir un modelo, explicar sus decisiones a las personas que actúan según ellas y limitar lo que se le permite hacer. También trabajamos en minas profundas e identificación de minerales, donde hay que entender un modelo antes de actuar.

Investigación Publicaciones

§ 1

Investigación

Toda la investigación
  1. i Interpretabilidad mecanicista Averiguamos qué algoritmos aprenden las redes neuronales y comprobamos cada explicación en la propia red. Conocer el algoritmo permite reducir un modelo, explicarlo a quienes lo usan y limitar lo que puede hacer.
  2. ii Sistemas mineros profundos Un cuerpo mineralizado solo se conoce en parte antes de explotarlo. Seguimos esa incertidumbre a través de la extracción, el procesamiento, los relaves y el relleno para saber qué decisiones de operación cambia.
  3. iii Cristalografía y detección de minerales Cada mineral es un cristal cuyos átomos se repiten en una red. La difracción de rayos X lee esa red, y un microscopio muestra cada grano de una roca. Construimos aprendizaje automático que identifica minerales a partir de ambos, y comprobamos cómo llega a sus respuestas.
§ 2

Enfoque

Dentro de un sistema que parece caótico, algunas partes siguen reglas exactas. Buscamos esas partes y escribimos sus reglas.

y py
Fig. 2 Sección de Poincaré del mismo sistema con E = 1/8. Cada curva cerrada es una sola órbita sostenida sobre un toro invariante. Los puntos dispersos pertenecen a órbitas caóticas. Calculada en su navegador.

Esta lámina viene del sistema de Hénon–Heiles, el modelo de una estrella que se mueve por una galaxia y del que sale nuestro logotipo. Si una órbita empieza casi en cualquier punto, se dispersa por toda la lámina. Si empieza en el lugar adecuado, se queda para siempre en una curva cerrada.

Buscamos el mismo tipo de orden en otros sistemas. En una red entrenada es el algoritmo que la red aprendió. En una mina es la parte de la incertidumbre geológica que llega hasta la producción.

Acerca de

§ 3

Publicaciones seleccionadas

Todas las publicaciones
  1. Minería
    Geostatistical Discrete Rate Simulation of Coupled Mine, Processing, Tailings, and Backfill Systems

    Arthur Ayestas Hilgert, Alessandro Navarra

    42nd International Symposium on the Application of Computers and Operations Research in the Mineral Industry (APCOM 2027), Montréal Aceptado

    Figura interactiva

  2. Interpretabilidad
    Deep neural networks divide and conquer dihedral multiplication

    Sihui Wei, Gavin McCracken, Gabriela Moisescu-Pareja, Harley Wiltzer, Doina Precup, Irina Rish, Jonathan Love

    International Conference on Machine Learning (ICML 2026)

    Figura interactiva

  3. Interpretabilidad
    On the Geometry and Topology of Representations: The Manifolds of Modular Addition

    Gabriela Moisescu-Pareja, Gavin McCracken, Harley Wiltzer, Vincent Létourneau, Colin Daniels, Doina Precup, Jonathan Love

    International Conference on Learning Representations (ICLR 2026)

    Figura interactiva

  4. Interpretabilidad
    Uncovering a Universal Abstract Algorithm for Modular Addition in Neural Networks

    Gavin McCracken, Gabriela Moisescu-Pareja, Vincent Létourneau, Doina Precup, Jonathan Love

    Neural Information Processing Systems (NeurIPS 2025)

    Figura interactiva

§ 4

Nuestro equipo

Conozca al equipo

  • Arthur Ayestas Hilgert

    Cofundador

  • Gavin McCracken

    Cofundador

  • Gabriela Moisescu-Pareja

    Cofundadora

  • Sihui Wei

    Investigadora