4.3 Influencia de la IA en el desarrollo de la física
GNoMEEn este apartado exploraremos cómo la IA está impulsando el desarrollo de la física, actuando como un puente entre la teoría matemática y nievosla realidad empírica
La Revolución de los Materiales: El Proyecto GNoME
Uno de los mayores retos de la física de la materia condensada ha sido predecir qué combinaciones de elementos formarán materiales estables. Tradicionalmente, esto requería años de experimentación de "ensayo y error" en el laboratorio.
En 2023, investigadores de Google DeepMind publicaron un estudio sobre EventGNoME Horizon(Graph TelescopeNetworks for Materials Exploration). Esta IA ha predicho la estabilidad de 2,2 millones de nuevas estructuras de cristales, lo que equivale a casi 800 años de conocimiento acumulado en un solo movimiento.
-
¿Por qué es importante? Estos nuevos materiales son la base para crear baterías más eficientes, superconductores y chips de computadora más rápidos.
-
Dato de impacto: De esas predicciones, 736 materiales ya han sido creados de forma independiente en laboratorios experimentales, confirmando la precisión de la IA.
| Metodología | Materiales Conocidos (aprox.) | Nuevas Predicciones Estables (GNoME) | Factor de Crecimiento |
| Historia de la Ciencia (hasta 2023) | 48,000 | - | 1x |
| IA (DeepMind, 2023) | - | 381,000 (estabilidad extrema) | ~8x |
Referencia: Merchant, A., et al. (2023). Scaling deep learning for materials discovery. Nature, 624(7990), 80-85.
Visualizando lo Invisible: El Telescopio del Horizonte de Sucesos (EHT).
La obtenerfísica astrofísica nos regaló en 2019 la primera imagen de un agujero negro. Sin embargo, obtener esa imagen no fue como sacar una fotografía convencional. Los telescopios terrestres están esparcidos por el globo, dejando grandes "huecos" en los datos recibidos.
Para obtener la imagen de Sagitario A* (el agujero negro (M87*en yel Sgrcentro A*)de nuestra galaxia), se utilizaronutilizó algoritmosun algoritmo llamado PRIMO. Esta IA "aprendió" cómo deberían ser los agujeros negros basados en miles de simulaciones físicas y luego rellenó los huecos de los datos faltantes con una precisión asombrosa.
El CERN: En busca de la "Aguja en el Pajar"
En el Gran Colisionador de Hadrones (LHC), se producen millones de colisiones de partículas por segundo. Es físicamente imposible para los seres humanos, o incluso para ordenadores tradicionales, analizar toda esa información en tiempo real.
La IA se utiliza para el filtrado de datos (triggering). Los modelos de aprendizaje automáticoprofundo identifican patrones que sugieren la presencia de partículas raras, como el Bosón de Higgs o candidatos a materia oscura, descartando el "ruido" de fondo. Es decir, se emplea la IA para rellenardecidir losque "huecos"colisiones analizar y cuales no.
Fusión Nuclear: Domando la Energía de datoslas Estrellas
La fusión nuclear promete energía limpia casi ilimitada. El mayor desafío es contener el plasma (gas a millones de grados) dentro de un reactor llamado Tokamak mediante campos magnéticos. Si el plasma toca las paredes del reactor, se enfría y la reacción se detiene.
En 2022, en colaboración con el Centro de Plasma de la EPFL (Suiza), DeepMind desarrolló una IA basada en aprendizaje por refuerzo profundo que lospudo telescopioscontrolar terrestreslas nobobinas podíanmagnéticas captar,del reactor para dar forma y mantener el plasma de manera estable. La IA aprendió a hacer ajustes en microsegundos, algo que ningún operador humano podría realizar.
CERN
FusiónJ., nuclearet al. (2022). Magnetic control bobinasof ytokamak campoplasmas magneticothrough endeep losreinforcement tokamak)learning. Nature, 602, 414–419.