La inteligencia artificial supera a científicos en el diseño de experimentos de física

La inteligencia artificial ya puede proponer experimentos de física que superan en precisión a diseños concebidos por investigadores, un avance que apunta a automatizar una parte central del trabajo científico sin reemplazar la definición humana de los objetivos, informó el portal especializado en ciencia, investigación y tecnología Phys.org.

El alcance de esa capacidad ya se extiende a varias áreas: el método se utilizó para mejorar reactores de fusión, generar nuevas ideas para detectores de partículas y elaborar propuestas que vuelvan más sensibles a los sistemas de detección de ondas gravitacionales —perturbaciones en el espacio-tiempo producidas por eventos cósmicos extremos—. La premisa es buscar, entre una cantidad inmensa de configuraciones posibles, la combinación de componentes que ofrezca el mejor resultado experimental.

El hallazgo, publicado en la revista científica Nature, parte de una situación habitual en la física experimental: un laboratorio reúne láseres, lentes, espejos, detectores y componentes electrónicos que pueden combinarse de formas casi incontables. Elegir, entre todas esas posibilidades, una configuración capaz de revelar con claridad alguna ley de la naturaleza ha dependido durante siglos de la intuición y la experiencia.

Algoritmo logra diseño que físicos no habían conseguido

Ese límite fue el que enfrentó Mario Krenn, hoy profesor de aprendizaje automático en ciencia en la Universidad de Tubinga, cuando era estudiante en Viena. Él y su grupo trabajaban en el montaje de un experimento cuántico, pero no encontraban una configuración adecuada para demostrar los efectos que buscaban.

Krenn optó por traducir matemáticamente los componentes disponibles y dejar que un algoritmo explorara combinaciones posibles. “Programarlo llevó solo unas pocas horas. Luego me fui a casa y dejé la computadora funcionando”, relató.

Al regresar a la oficina al día siguiente, encontró un archivo con una propuesta. “Eso fue extremadamente emocionante. Empecé a analizarla de inmediato y, en efecto, a diferencia de todos nosotros, la computadora había encontrado una configuración experimental que cumplía los criterios necesarios”, enfatizó el investigador.

El punto central, explicó, no se parece al funcionamiento de los chatbots entrenados con grandes volúmenes de datos para producir respuestas probables. En este caso, la máquina no imita ni recombina: debe recorrer de forma sistemática un espacio gigantesco de configuraciones posibles para encontrar la mejor.

“Es un problema de optimización enorme”, afirmó Krenn. El desafío consiste en hallar la mejor solución dentro de un número abrumador de alternativas, no en imitar lenguaje humano ni en recombinar textos previos.

Resultados en microscopía, fusión y detectores

Para Philipp Haslinger, director del Centro de Microscopía Electrónica de la TU Wien, los resultados ya son notables, en especial en microscopía electrónica. Allí recién comienza un trabajo sistemático con entrelazamiento cuántico —un fenómeno en el que dos partículas pueden influirse mutuamente sin importar la distancia que las separa— y con nuevos conceptos cuánticos de observación.

Haslinger sostuvo que la intuición humana en esa área aún es limitada y que la inteligencia artificial puede identificar diseños de microscopios que una persona probablemente no imaginaría. Esos diseños, añadió, pueden producir imágenes mucho mejores o abrir posibilidades de medición completamente nuevas.

Según el portal, esto es posible porque las computadoras actuales ya pueden simular una amplia variedad de situaciones físicas en tiempos manejables. Sobre esa base, la aspiración es construir una suerte de simulador universal de física capaz de predecir qué ocurrirá en un montaje experimental determinado y luego optimizarlo según la meta buscada.

Krenn precisó que unas pocas ecuaciones fundamentales de la física ya permiten avanzar enormemente en el diseño experimental. Si el sistema puede anticipar el comportamiento de una configuración, también puede compararla con miles o millones de variantes y seleccionar la mejor.

No siempre, de todos modos, el resultado es fácil de interpretar. “A veces uno mira estas propuestas experimentales generadas por computadora y entiende enseguida la idea que hay detrás, por qué el nuevo concepto funciona mejor que los enfoques anteriores”, dijo Krenn. “Pero a veces también es muy difícil de entender. Puedes calcular que la nueva configuración funciona mejor, pero no logras expresar realmente con palabras por qué”, agregó.

Qué problemas científicos vale la pena resolver

La definición del objetivo aún es una tarea humana. El investigador señaló que la dificultad está en establecer con la mayor precisión posible qué se quiere obtener y qué restricciones deben cumplirse, como un costo máximo o un límite de energía que el dispositivo pueda absorber sin explotar.

Esa parte del proceso delimita el papel actual de la automatización: la máquina explora y optimiza, pero no decide por sí sola qué pregunta científica debe formularse. El rendimiento del sistema depende de cómo se describan las metas y las condiciones del experimento.

Krenn rechazó además la idea de que los grandes momentos de descubrimiento queden desplazados por las máquinas. “No, en absoluto. El trabajo humano simplemente se está trasladando a un nivel más alto”, manifestó.