Nuevas leyes de la física: la inteligencia artificial reescribe los descubrimientos históricos

El avance de la inteligencia artificial continúa desafiando los límites de la ciencia. Un equipo de investigadores de la Emory University de Atlanta ha logrado que una IA revele principios fundamentales nunca antes contemplados en la física de plasmas, reescribiendo teorías clásicas y corrigiendo supuestos de larga data.

Este hito marca una nueva etapa en la interacción entre las ciencias físicas y las tecnologías basadas en inteligencia artificial, ya que la IA no solo predice o procesa datos: aprende, interpreta e incluso descubre leyes subyacentes de la naturaleza.

El estudio se centró en un estado de la materia denominado plasma polvoriento, presente tanto en el espacio cósmico como en ciertos ambientes terrestres. Este plasma consiste en un gas ionizado —con electrones e iones libres— que incorpora diminutas partículas de polvo, generando un entramado de interacciones para la física contemporánea.

Ejemplos de este fenómeno se encuentran en los anillos de Saturno, la superficie lunar y hasta en humaredas de incendios forestales, donde las partículas cargadas afectan la transmisión de ondas de radio.

A pesar de su ubiquidad, el plasma polvoriento ha desafiado durante décadas a la comunidad científica. Las fuerzas que rigen el movimiento y la interacción de sus partículas presentan un comportamiento denominado “no recíproco”.

Es decir, la fuerza que una partícula ejerce sobre otra no se corresponde necesariamente en dirección ni magnitud, lo que dificulta describir y predecir el sistema con los modelos tradicionales de la física.

Ante la complejidad del plasma polvoriento, el equipo de Emory optó por desarrollar una red neuronal artificial capaz de extraer y modelar las reglas físicas subyacentes a partir de datos experimentales.

A diferencia de los usos tradicionales de la IA —donde se utilizan grandes conjuntos de datos para predecir resultados—, esta vez el objetivo era que la tecnología identificara las propias leyes del sistema.

Para ello, los científicos establecieron un entorno controlado: introdujeron partículas plásticas diminutas suspendidas en una cámara al vacío, en la que se generaba plasma.

Utilizaron una técnica de imágenes tomográficas, proyectando una hoja de luz láser dentro de la cámara y registrando la dinámica de las partículas mediante una cámara de alta velocidad. De este modo, recopilaron miles de trayectorias tridimensionales durante extensos periodos.

El aprendizaje de la IA se estructuró sobre estas trayectorias, con una característica distintiva: el modelo incluyó reglas físicas básicas —como gravedad, arrastre y simetría de las fuerzas— que guiaron el entrenamiento y aseguraron su anclaje en principios conocidos.

Gracias a este planteamiento, la red neuronal pudo desglosar la dinámica en tres componentes independientes: efectos asociados a la velocidad (como la fuerza de arrastre), fuerzas ambientales (como la gravedad), y aquellas debidas a la interacción partícula-partícula.

Lo que distingue esta investigación, publicada en la Proceedings of the National Academy of Sciences, es que la IA logró identificar con una precisión superior al 99% el entramado de fuerzas no recíprocas entre las partículas. El análisis reveló una interacción asimétrica que ya se sospechaba, pero que nunca se había plasmado con tal claridad: la partícula que va por delante arrastra a la posterior, mientras que la partícula trasera tiende a repeler a la líder.

Esta conclusión se asemeja al efecto que dos barcos generan al navegar en un lago: la estela de uno afecta de manera diferente al desplazamiento del otro dependiendo de su posición relativa.

Este nivel de detalle permitió a la IA corregir hipótesis centrales en la física del plasma polvoriento. Una de las teorías asumía que la carga eléctrica adquirida por una partícula aumentaba en proporción directa a su tamaño. El modelo de la IA demostró que esta relación se modifica en función de la densidad y la temperatura del plasma que rodea a la partícula, y no solo según el radio de la partícula, como se creía antes.

Otra noción clásica sostenía que la fuerza entre partículas decrece siempre de manera exponencial al aumentar la distancia, sin depender de su tamaño. La red neuronal evidenció que el tamaño de las partículas sí condiciona la rapidez con que disminuye esta interacción.

El nuevo marco teórico derivado de este proyecto —capaz de ejecutarse incluso en dispositivos informáticos convencionales— no solo aporta claridad a un fenómeno astronómico y terrestre de gran alcance, sino que abre rutas inéditas para analizar sistemas complejos de muchos cuerpos.

Entre los posibles beneficiarios del método se encuentran campos tan diversos como la fabricación de materiales industriales (coloidales, pinturas, tintas), la biología de sistemas (migración celular, agregados de organismos) y la medición de comportamientos colectivos, tan presentes en la naturaleza como en contextos sociales humanos.

Más importante aún, el caso demuestra que la inteligencia artificial puede ser una aliada en el descubrimiento de principios básicos que los métodos humanos no siempre logran entrever, y no solo una herramienta de cálculo avanzado o automatización de tareas repetitivas.

“Mostramos que podemos usar la IA para descubrir nueva física. Nuestro método no es una caja negra: entendemos cómo y por qué funciona. El marco que proporciona es universal; potencialmente podría aplicarse a otros sistemas de muchos cuerpos para permitir nuevos hallazgos”, declaró Justin Burton, físico experimental y autor principal del estudio.