¿Puede la inteligencia artificial descubrir nuevas leyes de la física? Quizás primero necesite reaprenderlo todo

En los últimos años, algunas de las figuras más destacadas en el campo de la inteligencia artificial (IA), como Sam Altman, Jensen Huang y Elon Musk, han comenzado a resaltar la importancia de la física para el avance de este campo. La idea es que modelos cada vez mejores podrán aprender relaciones físicas a partir de datos observacionales y experimentales. Esto permitiría la construcción de sistemas que contribuirían a descubrimientos y nuevas hipótesis científicas.

A pesar de ello, enseñar física a modelos de IA sigue siendo un reto, ya que muchos problemas físicos implican relaciones complejas, múltiples escalas espaciales y temporales, e incertidumbre. Por esta razón, universidades, centros de investigación y empresas han estado invirtiendo en el desarrollo de arquitecturas capaces de incorporar el conocimiento físico directamente durante el entrenamiento. Estos enfoques abarcan desde redes neuronales con base física hasta modelos basados en simulaciones numéricas y aprendizaje simbólico.

Un nuevo estudio sugiere que las técnicas actuales podrían tener limitaciones cuando el objetivo es descubrir nuevos fenómenos físicos. Los investigadores analizaron métodos de aprendizaje conocidos como transfer learning, en los que los modelos reutilizan conocimientos previamente adquiridos. Si bien esta estrategia reduce los costos computacionales, la IA puede aprender tan bien los modelos físicos actuales que termina teniendo dificultades para identificar fenómenos que van más allá de ellos.

Simulaciones cosmológicas

Un ejemplo de cómo se utiliza este proceso en física se encuentra en la realización de simulaciones cosmológicas. Estas simulaciones son computacionalmente costosas porque necesitan reproducir la evolución del universo a lo largo de miles de millones de años. Dichas simulaciones rastrean la dinámica de la materia oscura, el gas interestelar, la formación estelar, la evolución de las galaxias y la influencia de la energía oscura. Esto da como resultado la realización de una gran cantidad de operaciones matemáticas.

El coste computacional también aumenta, ya que pequeños cambios en los parámetros cosmológicos requieren nuevas simulaciones. Es necesario probar diferentes escenarios que involucren materia oscura, energía oscura, formación galáctica y condiciones iniciales para comparar los resultados. El tiempo requerido puede variar de días a meses, dependiendo de la resolución utilizada y la complejidad del sistema, para cada una de las simulaciones.

Uso de la IA

Por este motivo, el desarrollo de métodos capaces de acelerar estas simulaciones se ha convertido en una prioridad para físicos y astrofísicos. La IA se ha revelado como una herramienta prometedora para acelerar las simulaciones cosmológicas. En lugar de resolver directamente todas las ecuaciones, los modelos de IA pueden aprender a reproducir ciertos procesos a partir de grandes conjuntos de simulaciones existentes. En algunos casos, simulaciones que requerirían horas o días de procesamiento pueden realizarse en segundos o minutos.

La principal ventaja reside en la posibilidad de explorar un número mucho mayor de hipótesis y escenarios físicos. Gracias a la reducción del coste computacional, resulta factible probar diferentes valores de parámetros. Además, los modelos de IA pueden identificar patrones en los datos y localizar regiones del espacio de parámetros que antes se habían pasado por alto. Esta capacidad acelera el proceso científico y contribuye a una mejor comprensión de los datos, así como a la exploración de más escenarios.

El problema actual

En un nuevo estudio, investigadores entrenaron una red neuronal mediante aprendizaje por transferencia y datos de simulación del modelo cosmológico estándar ΛCDM. Posteriormente, adaptaron esta misma red para estudiar escenarios más complejos que incluyen posibles extensiones de la física conocida. Los resultados demostraron que esta estrategia puede reducir el número de simulaciones necesarias en más de un orden de magnitud. Sin embargo, los investigadores descubrieron algunas limitaciones cuando el objetivo es encontrar nuevos fenómenos.

El problema surge porque la IA tiende a interpretar la información nueva utilizando patrones aprendidos previamente durante el preentrenamiento. Este fenómeno, conocido como negative transfer, ocurre cuando las señales producidas por una física potencialmente nueva se asemejan a efectos ya presentes en el modelo cosmológico estándar. En el estudio, los investigadores observaron este comportamiento en simulaciones de neutrinos masivos, donde los efectos se confundieron con variaciones en parámetros ya conocidos del modelo ΛCDM.

Transfer learning

Como resultado, el artículo demostró que la red neuronal tenía dificultades para diferenciar los dos escenarios e identificar correctamente el nuevo efecto físico. Esto subraya la necesidad de nuevas técnicas menos dependientes de los datos de entrada. El término negative transfer proviene del transfer learning , una técnica que se basa en los datos de entrada. En lugar de comenzar el entrenamiento desde cero, la red neuronal reutiliza patrones, representaciones y relaciones aprendidos previamente.

En física, el transfer learning se ha utilizado ampliamente para reducir el coste computacional de problemas que implican simulaciones costosas. Esta estrategia permite explorar un número mucho mayor de hipótesis sin necesidad de ejecutar otras simulaciones completas ni de recalcular el modelo desde cero. Sin embargo, el nuevo estudio muestra cómo el transfer learning y técnicas similares pueden acabar obstaculizando nuevos descubrimientos.