El software de inteligencia artificial está diseñando nuevos protocolos experimentales que mejoran el trabajo de los físicos humanos, aunque estos todavía “están haciendo mucho trabajo de niñera”.
Observatorio de Ondas Gravitacionales con Interferometría Láser
Hay mediciones de precisión, y luego está el Observatorio de Ondas Gravitacionales con Interferometría Láser. En cada uno de los detectores gemelos de ondas gravitacionales de LIGO (uno en Hanford, Washington, y el otro en Livingston, Luisiana), los rayos láser rebotan a lo largo de los brazos de cuatro kilómetros de una L gigante. Cuando una onda gravitacional la atraviesa, la longitud de un brazo varía con respecto al otro en una proporción menor que la anchura de un protón. Es midiendo estas minúsculas diferencias —una sensibilidad similar a la de medir la distancia a la estrella Alfa Centauri con una precisión del grosor de un cabello humano— que se realizan los descubrimientos.
El diseño de la máquina se desarrolló durante décadas, ya que los físicos necesitaban llevar cada aspecto al límite físico absoluto. La construcción comenzó en 1994 y duró más de 20 años, incluyendo una parada de cuatro años para mejorar los detectores, antes de que LIGO detectara su primera onda gravitacional en 2015: una ondulación en el tejido espacio-temporal procedente de la lejana colisión de un par de agujeros negros.
Rana Adhikari, físico del Instituto Tecnológico de California, dirigió el equipo de optimización del detector a mediados de la década de 2000. Él y un grupo de colaboradores perfeccionaron minuciosamente partes del diseño de LIGO, explorando los límites de cada obstáculo que impedía una máquina más sensible.
Pero tras la detección de 2015, Adhikari quería ver si podían mejorar el diseño de LIGO, permitiéndole, por ejemplo, captar ondas gravitacionales en una banda de frecuencias más amplia. Esta mejora permitiría a LIGO observar la fusión de agujeros negros de diferentes tamaños, así como posibles sorpresas. «Lo que realmente nos gustaría descubrir es la nueva maravilla astrofísica que nadie ha imaginado», dijo Adhikari. «No deberíamos tener prejuicios sobre lo que crea el universo».
Él y su equipo recurrieron a la IA, en particular a un paquete de software creado inicialmente por el físico Mario Krenn para diseñar experimentos prácticos de óptica cuántica. Primero, le proporcionaron a la IA todos los componentes y dispositivos que podían combinarse para construir un interferómetro de complejidad arbitraria. La IA comenzó sin restricciones. Pudo diseñar un detector con una extensión de cientos de kilómetros y miles de elementos, como lentes, espejos y láseres.
Al principio, los diseños de la IA parecían extravagantes. «Los resultados que nos proporcionaba eran realmente incomprensibles para la gente», dijo Adhikari. «Eran demasiado complejos y parecían objetos extraterrestres o de IA. Nada que un ser humano pudiera hacer, porque carecían de simetría, belleza, nada. Era un desastre».
Los investigadores descubrieron cómo depurar los resultados de la IA para generar ideas interpretables. Aun así, el diseño de la IA los desconcertó. “Si mis alumnos hubieran intentado darme esto, habría dicho: ‘No, no, eso es ridículo'”, dijo Adhikari. Pero el diseño fue claramente efectivo.
Se necesitaron meses de esfuerzo para comprender qué estaba haciendo la IA. Resultó que la máquina había usado un truco contraintuitivo para lograr sus objetivos. Añadió un anillo adicional de tres kilómetros de largo entre el interferómetro principal y el detector para hacer circular la luz antes de que saliera de los brazos del interferómetro. El equipo de Adhikari se dio cuenta de que la IA probablemente estaba usando principios teóricos esotéricos que físicos rusos habían identificado décadas atrás para reducir el ruido mecánico cuántico. Nadie había desarrollado esas ideas experimentalmente. «Se necesita mucho para pensar tan lejos de la solución aceptada», dijo Adhikari. «Realmente necesitábamos la IA».
Si la información de la IA hubiera estado disponible durante la construcción de LIGO, «habríamos tenido una sensibilidad de LIGO entre un 10 % y un 15 % superior desde el principio», afirmó. En un mundo con precisión subprotónica, entre un 10 % y un 15 % es una cifra enorme.
“LIGO es una tecnología enorme en la que miles de personas han reflexionado profundamente durante 40 años”, afirmó Aephraim Steinberg, experto en óptica cuántica de la Universidad de Toronto. “Han considerado todo lo posible, y cualquier novedad que [la IA] presente demuestra que es algo que miles de personas no lograron”.
Aunque la IA aún no ha dado lugar a nuevos descubrimientos en física, se está convirtiendo en una herramienta poderosa en todo el campo. Además de ayudar a los investigadores a diseñar experimentos, puede encontrar patrones no triviales en datos complejos. Por ejemplo, los algoritmos de IA han deducido simetrías de la naturaleza a partir de los datos recopilados en el Gran Colisionador de Hadrones en Suiza. Estas simetrías no son nuevas (fueron clave para las teorías de la relatividad de Einstein), pero el hallazgo de la IA sirve como prueba de principio para lo que está por venir. Los físicos también han utilizado la IA para encontrar una nueva ecuación que describa la agrupación de la materia oscura invisible del universo. «Los humanos pueden empezar a aprender de estas soluciones», afirmó Adhikari.
Separados pero juntos
En la física clásica que describe nuestro mundo cotidiano, los objetos tienen propiedades bien definidas que son independientes de los intentos de medir esas propiedades: una bola de billar, por ejemplo, tiene una posición y un momento particulares en un momento determinado.
En el mundo cuántico, esto no es así. Un objeto cuántico se describe mediante una entidad matemática llamada estado cuántico. Lo mejor que se puede hacer es usar el estado para calcular la probabilidad de que el objeto se encuentre, por ejemplo, en una ubicación determinada cuando se lo busca allí.
Es más, dos (o más) objetos cuánticos pueden compartir un mismo estado cuántico. Tomemos como ejemplo la luz, compuesta de fotones. Estos fotones pueden generarse en pares entrelazados, lo que significa que comparten un único estado cuántico conjunto incluso si se separan. Una vez medido uno de los dos fotones, el resultado parece determinar instantáneamente las propiedades del otro fotón, ahora distante.
Durante décadas, los físicos asumieron que el entrelazamiento requería que los objetos cuánticos comenzaran en el mismo lugar. Pero a principios de la década de 1990, Anton Zeilinger, quien posteriormente recibiría el Premio Nobel de Física por sus estudios sobre el entrelazamiento, demostró que esto no siempre era cierto. Él y sus colegas propusieron un experimento que comenzaba con dos pares de fotones entrelazados no relacionados. Los fotones A y B estaban entrelazados entre sí, al igual que los fotones C y D. Los investigadores idearon entonces un ingenioso diseño experimental. Compuesto por cristales, divisores de haz y detectores que operarían con los fotones B y C, un fotón de cada uno de los dos pares entrelazados. Mediante una secuencia de operaciones, los fotones B y C se detectan y destruyen, pero como resultado, las partículas asociadas A y D, que no habían interactuado previamente, se entrelazan. Esto se denomina intercambio de entrelazamiento, un componente fundamental de la tecnología cuántica.
Esa era la situación en 2021, cuando el equipo de Krenn comenzó a diseñar nuevos experimentos con la ayuda de un software al que llamaron PyTheus: Py por el lenguaje de programación Python y Theus por Teseo, en honor al héroe griego que mató al mítico Minotauro. El equipo representó experimentos ópticos mediante estructuras matemáticas llamadas grafos, compuestos por nodos conectados por líneas llamadas aristas. Los nodos y las aristas representaban diferentes aspectos de un experimento, como los divisores de haz, las trayectorias de los fotones o si dos fotones habían interactuado.
El equipo de Krenn comenzó construyendo un grafo muy general que modelaba el espacio de todos los experimentos posibles de cierto tamaño. El grafo tenía características de salida que representaban un estado cuántico deseado; por ejemplo, dos partículas que salían del experimento y que nunca habían interactuado, pero que ahora estaban entrelazadas.
La pregunta, entonces, era cómo modificar todas las demás partes del grafo para producir este estado. Para resolverlo, los investigadores formularon una función matemática. Esta tomó el estado del grafo y calculó la diferencia entre la salida del grafo y el estado cuántico deseado. Luego, modificaron iterativamente los parámetros del grafo, que representaban la configuración experimental, para reducir esta discrepancia a cero.
Cuando Soren Arlt, alumno de Krenn, intentó usar este enfoque para encontrar la mejor manera de realizar el intercambio de entrelazamientos, se dio cuenta de que la configuración experimental era irreconocible; nada que ver con el diseño de Zeilinger de 1993. «Cuando me lo mostró, nos quedamos perplejos», dijo Krenn. «Estaba convencido de que debía estar mal».
El algoritmo de optimización había tomado ideas de un área de estudio independiente llamada interferencia multifotónica. De esta manera, creó una configuración más simple que el de Zeilinger. El equipo de Krenn realizó un análisis matemático independiente del diseño final. Confirmó que el nuevo diseño experimental, de hecho, crearía entrelazamiento entre partículas sin un pasado común.
En diciembre de 2024, un equipo en China dirigido por Xiao-Song Ma de la Universidad de Nanjing lo confirmó. Construyeron el experimento real y funcionó según lo previsto.
Encontrar la fórmula oculta
El diseño experimental no es la única forma en que los físicos utilizan la IA. También la han utilizado para analizar resultados experimentales.
“En este momento, diría que es como enseñarle a un niño a hablar”, dijo Kyle Cranmer, físico de la Universidad de Wisconsin-Madison, comentó sobre los esfuerzos emergentes para usar la IA en física: “Estamos haciendo mucho trabajo de niñera”. Aun así, los modelos de aprendizaje automático entrenados con datos reales y simulados están descubriendo patrones que de otro modo podrían haber pasado desapercibidos.
Por ejemplo, Cranmer y sus colaboradores utilizaron un modelo de aprendizaje automático para predecir la densidad de cúmulos de materia oscura en el universo, basándose en las propiedades observables de otros cúmulos cercanos. Estos cálculos son necesarios para comprender el crecimiento de las galaxias y los cúmulos de galaxias. El sistema llegó a una fórmula. Para describir la densidad de cúmulos de materia oscura que se ajustan mejor a los datos que uno creado por el hombre. La ecuación de la IA «describe muy bien los datos», dijo Cranmer. «Pero le falta la explicación de cómo se llega a ellos».
A veces es suficiente una prueba de principio para demostrar que la IA puede redescubrir cosas que la gente ya sabe.
Rose Yu , científica informática de la Universidad de California en San Diego, y sus colegas han estado entrenando modelos de aprendizaje automático para encontrar simetrías en los datos. Una simetría implica que los datos permanecen inalterados o cambian de forma predecible y sencilla bajo una transformación. Por ejemplo, un círculo tiene simetría rotacional: es invariante bajo rotación. Yu y su equipo aplicaron su técnica a datos recopilados en el Gran Colisionador de Hadrones e identificaron las llamadas simetrías de Lorentz, que son cruciales para las teorías de la relatividad de Einstein. Estos son cambios de perspectiva que dejan inalteradas las leyes aplicables de la física. Por ejemplo, la tasa de producción de pares de partículas en el colisionador no debería cambiar en diferentes momentos del día. Si la tasa variara, implicaría cierta dependencia de la rotación de la Tierra y, por lo tanto, una dirección preferencial en el espacio-tiempo. “Mostramos que, sin saber nada de física, el modelo puede descubrir la simetría de Lorentz puramente a partir de los datos”, dijo Yu.
Cranmer y Yu señalan que, si bien estos métodos son eficaces para descubrir patrones, comprenderlos y formular hipótesis o la física que los explique sigue siendo difícil para los modelos de IA actuales. Sin embargo, Cranmer cree que la llegada de grandes modelos lingüísticos como ChatGPT podría cambiar esta situación. «Creo que los modelos lingüísticos tienen un enorme potencial para ser útiles y automatizar la construcción de hipótesis», afirmó. «Está a la vuelta de la esquina».
Steinberg coincide en que, si bien la IA aún no ha inventado nuevos conceptos, los descubrimientos de nueva física con su ayuda podrían hacerse realidad. «Realmente podríamos estar superando ese umbral, lo cual es emocionante», afirmó.
Fuente: https://www.quantamagazine.org/ai-comes-up-with-bizarre-physics-experiments-but-they-work-20250721/