La IA Diseña Experimentos Físicos Extraños Pero Efectivos
El Observatorio de Ondas Gravitacionales por Interferómetro Láser (LIGO) representa la cumbre de la medición de precisión. Con detectores gemelos que abarcan brazos de cuatro kilómetros en Washington y Luisiana, LIGO utiliza haces de láser para detectar diminutas ondulaciones en el espacio-tiempo –ondas gravitacionales– causadas por eventos cósmicos. Su sensibilidad es asombrosa: puede registrar un cambio en la longitud del brazo menor que el ancho de un protón, una precisión comparable a medir la distancia a Alfa Centauri con la exactitud del ancho de un cabello humano. Esta maravilla de la ingeniería, cuya construcción y refinamiento llevaron más de dos décadas antes de su primera detección de agujeros negros en colisión en 2015, traspasó los límites físicos gracias al ingenio humano.
Tras el descubrimiento revolucionario de LIGO, Rana Adhikari, físico del Caltech que anteriormente dirigió el equipo de optimización de detectores, buscó mejorar aún más sus capacidades. Su objetivo era ampliar el rango de detección de frecuencia de LIGO, permitiéndole observar una variedad más amplia de agujeros negros en fusión y potencialmente descubrir fenómenos astrofísicos completamente imprevistos. “No deberíamos tener prejuicios sobre lo que el universo crea”, comentó Adhikari, enfatizando el deseo de nuevos descubrimientos.
Para lograr este ambicioso objetivo, Adhikari y su equipo recurrieron a la inteligencia artificial. Emplearon un conjunto de software, inicialmente desarrollado por el físico Mario Krenn para diseñar experimentos de óptica cuántica, alimentándolo con una lista exhaustiva de todos los componentes posibles –lentes, espejos, láseres– que podrían configurarse en un interferómetro. Inicialmente, los diseños de la IA eran desconcertantes. Parecían “no comprensibles para las personas”, recordó Adhikari, describiéndolos como “cosas alienígenas” o “un desorden” sin ningún sentido humano de simetría o belleza.
A pesar de su desconcierto inicial, los investigadores refinaron la salida de la IA, haciendo sus ideas interpretables. Lo que surgió fue un diseño tan contraintuitivo que Adhikari admitió que lo habría descartado como “ridículo” si un estudiante lo hubiera propuesto. Sin embargo, la solución de la IA demostró ser notablemente efectiva. Después de meses de análisis, el equipo comprendió la lógica de la IA: había añadido un anillo adicional de tres kilómetros de largo para hacer circular la luz antes de que saliera de los brazos principales del interferómetro. Se descubrió que esta adición aparentemente extraña aprovechaba principios teóricos esotéricos identificados por físicos rusos hace décadas para reducir significativamente el ruido cuántico-mecánico, principios que nunca se habían perseguido experimentalmente. Esta perspicacia impulsada por la IA, señaló Adhikari, demostró una capacidad de pensar “muy fuera de la solución aceptada”, sugiriendo que, si hubiera estado disponible durante la construcción de LIGO, podría haber aumentado la sensibilidad del observatorio en un “enorme” 10 a 15 por ciento desde el principio. Como dijo Aephraim Steinberg, experto en óptica cuántica de la Universidad de Toronto, la IA había logrado algo que “miles de personas no lograron hacer” a pesar de décadas de profunda reflexión sobre el diseño de LIGO.
La aplicación de la IA en la física se extiende más allá del diseño de experimentos. También está demostrando ser una herramienta poderosa para analizar datos complejos. El equipo de Mario Krenn, por ejemplo, utilizó su software de IA, PyTheus, para abordar el desafío del intercambio de entrelazamiento, un fenómeno cuántico donde dos partículas previamente no vinculadas se entrelazan. Si bien el físico Anton Zeilinger, premio Nobel, había ideado una configuración experimental para esto a principios de la década de 1990, PyTheus concibió una configuración más simple, pero igualmente efectiva, extrayendo ideas de un área de estudio diferente: la interferencia multifotónica. Este diseño generado por IA fue confirmado experimentalmente por un equipo en China en diciembre de 2024, demostrando su validez práctica.
Además, los algoritmos de IA están desenterrando patrones ocultos en vastos conjuntos de datos. Kyle Cranmer, físico de la Universidad de Wisconsin-Madison, utilizó el aprendizaje automático para predecir la densidad de los cúmulos de materia oscura en el universo. La IA derivó una fórmula que se ajustaba mejor a los datos observacionales que cualquier ecuación hecha por humanos, incluso si la explicación física subyacente seguía siendo esquiva. De manera similar, la científica informática Rose Yu de la Universidad de California, San Diego, entrenó modelos de IA para identificar simetrías fundamentales en los datos del Gran Colisionador de Hadrones. Sin ningún conocimiento de física preexistente, la IA redescubrió con éxito las simetrías de Lorentz, que son cruciales para las teorías de la relatividad de Einstein, demostrando su capacidad para extraer principios físicos profundos directamente de los datos brutos.
Si bien los modelos actuales de IA sobresalen en el reconocimiento de patrones, el paso crucial de interpretar estos patrones, formular hipótesis y construir teorías físicas completas sigue siendo en gran medida dominio del intelecto humano. Sin embargo, expertos como Cranmer y Steinberg son optimistas sobre el futuro. La llegada de modelos avanzados de lenguaje grande, sugieren, pronto podría capacitar a la IA para ayudar a automatizar el proceso de generación de hipótesis, lo que podría marcar el comienzo de una era donde los descubrimientos de conceptos físicos completamente nuevos asistidos por IA se conviertan en una realidad. Esto marca un emocionante umbral para la exploración científica.