La inteligencia artificial ya no solo sirve para analizar datos o acelerar cálculos científicos. También puede utilizarse para diseñar nuevos experimentos de física, explorando combinaciones de componentes y configuraciones que pueden resultar demasiado complejas para la intuición humana.
Un equipo internacional de investigadores ha demostrado que este enfoque puede encontrar diseños experimentales capaces de ofrecer resultados más precisos o incluso de abrir posibilidades que los científicos no habían planteado. El trabajo, que recoge el estado actual de esta nueva forma de investigar, ha sido publicado en la revista Nature y cuenta con participación de la Universidad de Oviedo.
La idea supone un cambio importante en la forma de plantear la investigación experimental. Durante siglos, los científicos han tenido que formular hipótesis, diseñar dispositivos y seleccionar cuidadosamente las condiciones de un experimento para conseguir que sus resultados permitan responder a preguntas sobre las leyes de la naturaleza.
Ahora, parte de ese proceso puede convertirse en un problema de optimización que los ordenadores son capaces de explorar a una escala difícil de abordar para una persona.
Cuando una IA encuentra un experimento que los científicos no habían encontrado
En un laboratorio de física experimental es habitual disponer de una gran cantidad de elementos: láseres, lentes, espejos, detectores y componentes electrónicos que pueden combinarse de innumerables maneras. El problema consiste en encontrar, entre todas esas posibilidades, aquella configuración que permita obtener la información más útil. Hasta ahora, esta tarea ha dependido en buena medida de la experiencia y la intuición de los investigadores.
Pero incluso los científicos con una gran experiencia pueden encontrarse ante problemas para los que no resulta evidente cuál es la mejor combinación.
Eso fue precisamente lo que ocurrió con Mario Krenn, profesor de la Universidad de Tubinga. Ni él ni los demás miembros de su grupo de investigación conseguían encontrar una configuración experimental adecuada para demostrar determinados efectos cuánticos que necesitaban para un experimento.
Krenn decidió recurrir entonces a un ordenador. Describió matemáticamente los distintos componentes disponibles y programó un algoritmo capaz de buscar combinaciones que pudieran producir un experimento significativo.
“La programación solo llevó unas horas. Después me fui a casa y dejé que el ordenador hiciera los cálculos”, recuerda Krenn. “Cuando regresé al despacho al día siguiente, el programa había generado un archivo con una solución propuesta. Fue, por supuesto, muy emocionante. Inmediatamente comencé a analizar la propuesta y, efectivamente, a diferencia de todos nosotros, el ordenador había encontrado una configuración experimental que cumplía los criterios requeridos”, añade.
El resultado muestra una de las principales ventajas de utilizar inteligencia artificial para el diseño experimental: una máquina puede explorar sistemáticamente un espacio de posibilidades que resulta prácticamente inabarcable para una persona.
La IA que diseña experimentos no funciona como un chatbot
El sistema utilizado para buscar nuevos experimentos tiene poco que ver con la inteligencia artificial que la mayoría de las personas conoce a través de los grandes modelos de lenguaje.
Los chatbots se entrenan con enormes cantidades de información y generan respuestas a partir de patrones estadísticos. El diseño automatizado de experimentos científicos responde a una lógica diferente: se trata fundamentalmente de buscar la mejor solución dentro de un enorme espacio de posibilidades.
“Es un enorme problema de optimización”, explica Krenn. “Existe un espacio vastísimo y prácticamente inmanejable de posibles experimentos que pueden construirse utilizando los componentes disponibles. El ordenador tiene que explorar ese espacio de forma sistemática para encontrar la mejor solución posible”, indica el investigador.
Esta capacidad puede resultar especialmente interesante en campos en los que todavía existe poca experiencia acumulada y, por tanto, la intuición humana tiene más dificultades para anticipar cuáles pueden ser las mejores configuraciones.
“Los resultados son impresionantes”, afirma Philipp Haslinger, profesor y director del Centro de Microscopía Electrónica de TU Wien. “En microscopía electrónica, en particular, apenas estamos empezando a trabajar de forma sistemática con el entrelazamiento y con nuevos conceptos de microscopía cuántica. La intuición humana está todavía poco desarrollada en este ámbito. Con ayuda de la inteligencia artificial podemos, por tanto, descubrir diseños de microscopios que probablemente ningún ser humano habría concebido, pero que producen imágenes significativamente mejores u ofrecen capacidades de medición completamente nuevas”, indica.
El enfoque ya se ha aplicado en distintos ámbitos de la física. Entre ellos se encuentran la mejora de reactores de fusión, el desarrollo de nuevas ideas para detectores de partículas y la búsqueda de propuestas para aumentar la sensibilidad de los sistemas destinados a detectar ondas gravitacionales.
Cuando ni siquiera los científicos entienden por qué funciona una propuesta
Hay además una característica especialmente llamativa de estos sistemas. En algunos casos, los investigadores pueden analizar una configuración propuesta por el ordenador y comprender inmediatamente por qué funciona mejor que las anteriores.
En otros, sin embargo, el resultado es mucho más difícil de interpretar. “A veces observas estas propuestas experimentales generadas por el ordenador y enseguida comprendes la idea y por qué el nuevo concepto funciona mejor que los anteriores”, señala Mario Krenn. “Pero en otras ocasiones también son muy difíciles de entender. Puedes calcular y verificar que la nueva configuración experimental funciona mejor, pero realmente no puedes explicar con palabras por qué”, añade.
Esta situación plantea una cuestión importante para la ciencia: no basta con encontrar una solución que funcione; también es necesario poder comprobar que el resultado es fiable y entender cuáles son sus límites.
La capacidad de los ordenadores modernos para simular situaciones físicas permite abordar este problema. Una gran cantidad de configuraciones experimentales pueden evaluarse mediante simulaciones antes de llevarlas al laboratorio.
“Esto es posible porque los ordenadores modernos pueden simular una amplia variedad de situaciones físicas en un tiempo manejable”, explica Pietro Vischia, investigador Ramón y Cajal de la Universidad de Oviedo, perteneciente al Grupo de Física de Altas Energías del Departamento de Física y del ICTEA.
“La clave está en construir un modelo de IA que aproxime con gran precisión la simulación física detallada de los elementos de un experimento”, explica Vischia. “Cuando exploramos todo el abanico de diseños posibles, sustituimos la simulación completa por este modelo de IA paramétrico y, de este modo, podemos explorar el espacio de soluciones cientos de veces más rápido. Junto con mis estudiantes y otros colaboradores, hemos demostrado este enfoque en varios artículos recientes”, indica el investigador de la universidad asturiana.
El científico sigue decidiendo qué quiere conseguir la IA
La automatización del diseño experimental no significa, sin embargo, que los científicos dejen de tener el control del proceso. Uno de los elementos fundamentales sigue siendo definir correctamente qué se quiere conseguir y bajo qué condiciones debe hacerlo el experimento.
“Ese es precisamente el reto: definir con claridad qué es exactamente lo que se quiere conseguir y qué restricciones deben respetarse; por ejemplo, un presupuesto máximo o la cantidad máxima de energía que el dispositivo puede absorber sin explotar”, subraya el grupo de investigación.
En otras palabras, la inteligencia artificial puede explorar las posibles soluciones, pero necesita que los investigadores establezcan previamente el objetivo que debe optimizar.
Por eso, el desarrollo de estas herramientas no tiene por qué significar el final de la creatividad científica. Más bien puede cambiar el lugar que ocupa el investigador dentro del proceso.
¿No resulta también un poco decepcionante pensar que los grandes momentos de ¡Eureka! de la ciencia puedan quedar algún día en manos de los ordenadores?
“No, en absoluto”, responde Mario Krenn. “El trabajo humano simplemente se está desplazando a un nivel superior. En el pasado, los cálculos tenían que realizarse a mano, y hoy nadie quiere volver a eso. Ahora disponemos de herramientas capaces de desarrollar excelentes ideas experimentales por nosotros, pero utilizar esas herramientas seguirá requiriendo conocimientos científicos, creatividad y una fuerte intuición física”, destaca.
La Universidad de Oviedo explora el diseño automatizado de experimentos
Esta nueva forma de abordar la investigación experimental también se está desarrollando en la Universidad de Oviedo a través de NeuroMODE, un programa multidisciplinar impulsado por Vischia para explorar el diseño automatizado de experimentos en física y disciplinas relacionadas.
Vischia coordina además MODE, una colaboración internacional formada por casi 60 miembros cuyo objetivo es desarrollar técnicas para optimizar la próxima generación de instrumentos científicos, tanto para investigación fundamental como para sus aplicaciones.
Entre los proyectos que forman parte de este esfuerzo se encuentra la optimización del experimento TAMBO, cuyo artículo acaba de ser publicado en Nature Astronomy. En este trabajo, la Universidad de Oviedo lidera la optimización del experimento.
También forma parte de esta iniciativa el consorcio PHINDER, un proyecto financiado por la Unión Europea en el que participa la Universidad de Oviedo con el liderazgo de Vischia.
El siguiente reto no consiste únicamente en conseguir que los algoritmos encuentren diseños cada vez mejores, sino en garantizar que esas soluciones puedan ser evaluadas, verificadas y comprendidas.
“Sin embargo, la confianza es un resultado que debe diseñarse: la evaluación, la incertidumbre, la trazabilidad, la simplificación y la validación humana y mediante hardware deben formar parte del propio proceso de optimización”, advierte el investigador.
“Es crucial comprobar y validar continuamente los resultados de estos modelos. Estamos avanzando hacia un nuevo tipo de físico experimental: de un diseñador guiado por la intuición a un director de orquesta de una exploración inteligente, encargado además de garantizar que las respuestas de estos algoritmos estén constantemente calibradas, verificadas y comprendidas”, concluye Vischia.
