La mayoría de las veces que la inteligencia artificial aparece en un descubrimiento científico, el papel que juega es el de analista: procesa datos que los humanos ya reunieron, detecta patrones que los humanos podrían eventualmente haber encontrado, y acelera un proceso que de otro modo sería lento. Lo que hizo el equipo de la Universidad de Emory es diferente. Entrenaron una red neuronal para trabajar en condiciones donde la física conocida era insuficiente, y la IA encontró leyes que los físicos no tenían.
El resultado fue publicado en Proceedings of the National Academy of Sciences y tiene una frase que en el lenguaje académico equivale a una afirmación fuerte: "Mostramos que podemos usar IA para descubrir nueva física."
El cuarto estado de la materia
El plasma es el estado de la materia más abundante en el universo visible: representa el 99,9 por ciento de todo lo que se puede observar. Las estrellas son plasma. Los rayos durante una tormenta son plasma. Los anillos de Saturno contienen plasma. La ionosfera terrestre —la capa que hace posibles las comunicaciones de radio— es plasma.
El plasma polvoriento (dusty plasma) es una variante particular: gas ionizado que contiene partículas de polvo cargadas eléctricamente, suspendidas en el interior. Aparece en las nubes interestelares, en la superficie de la Luna, en los residuos de incendios forestales que interfieren con comunicaciones. También tiene aplicaciones industriales directas: la fabricación de pinturas, tintas y materiales de recubrimiento involucra física de plasma polvoriento.
El problema es que el plasma polvoriento es extraordinariamente difícil de modelar. Las partículas de polvo interactúan entre sí mediante fuerzas que los físicos asumían seguir reglas relativamente simples: la carga de una partícula debería aumentar de manera proporcional a su tamaño, y la fuerza entre dos partículas debería debilitarse con la distancia siguiendo una curva exponencial estándar.
Esas suposiciones resultaron estar mal.
Lo que la IA encontró
El equipo de Emory —liderado por Justin Burton y el teórico Ilya Nemenman, con el trabajo experimental del doctorando Wentao Yu— construyó un sistema de seguimiento tridimensional: láminas de láser combinadas con cámaras de alta velocidad que registran con precisión la posición de las partículas de polvo a lo largo del tiempo. Los datos de ese seguimiento se usaron para entrenar una red neuronal de diseño especial.
El desafío técnico era que en experimentos de física frontera, los datos disponibles son escasos. La mayoría de las arquitecturas de aprendizaje profundo necesitan millones de ejemplos. Nemenman lo describe con precisión: "Cuando estás explorando algo nuevo, no tenés muchos datos para entrenar la IA. Eso significaba que teníamos que diseñar una red neuronal que pudiera aprender algo nuevo con una cantidad pequeña de datos."
La solución fue una red "adaptada a la física" (physics-tailored): una arquitectura que incorpora las restricciones del problema físico para extraer más información de menos datos. El modelo separó el movimiento de las partículas en tres componentes —fricción con el entorno, fuerzas externas como la gravedad, y fuerzas entre partículas— y aprendió cada uno por separado.
Lo que emergió cuando la red analizó las interacciones fue inesperado. Las fuerzas entre partículas en el plasma polvoriento son no recíprocas: la partícula A influye sobre la partícula B de manera distinta a cómo B influye sobre A. Además, la carga eléctrica de una partícula no crece de manera simple con su tamaño: depende de la densidad y temperatura del plasma de maneras que los modelos anteriores no capturaban. Y la forma en que la fuerza se debilita con la distancia varía según el tamaño de las partículas involucradas, no según una curva universal.
Tres supuestos estándar de la física del plasma polvoriento resultaron incorrectos o incompletos. La IA los encontró con más del 99 por ciento de precisión.
Por qué importa la distinción
La diferencia entre "IA que analiza datos conocidos" y "IA que descubre física nueva" puede parecer sutil pero es conceptualmente enorme. En el primer caso, la IA es una herramienta más eficiente para hacer lo que los científicos hacían antes. En el segundo caso, la IA está haciendo algo que los humanos no podían hacer con los métodos disponibles —no porque los humanos sean lentos, sino porque el espacio de hipótesis para explorar era demasiado vasto.
El trabajo de AlphaFold en predicción de estructuras proteicas es el ejemplo más citado de IA acelerando ciencia. Lo que Emory describe tiene una estructura distinta: los investigadores no sabían qué ley buscaban. La red neuronal encontró la ley y después los investigadores pudieron interpretar lo que significaba.
Burton lo sintetiza en una frase que vale la pena citar completa: "Mostramos que podemos usar IA para descubrir nueva física. Nuestro método de IA no es una caja negra: entendemos cómo y por qué funciona."
Adónde apunta esto
El marco desarrollado en Emory está diseñado para ser transferible. El plasma polvoriento fue el caso de prueba, pero la misma metodología podría aplicarse a cualquier sistema complejo donde múltiples partículas o agentes interactúan de maneras que los modelos actuales no capturan bien: la dinámica de células cancerosas en movimiento colectivo, el comportamiento de bandadas de aves, la física de multitudes humanas.
Lo que el experimento demostró es un principio: con el diseño correcto, una red neuronal entrenada en datos experimentales reales puede revelar estructura física que la teoría no había formalizado. La IA no reemplaza al físico. Pero puede señalar hacia dónde mirar en un espacio que ningún humano puede explorar a mano.
Fuente original: PNAS / ScienceDaily / Emory University
