¿Puede la IA aprender física antes que tú?

Del rugido de un motor al eco de un sismo: cuando el algoritmo aprende más rápido que los humanos

En días recientes, la Fórmula 1 fue sacudida por una controversia. Red Bull, famosa por su dominio, ha comenzado a usar simulaciones predictivas de carrera alimentadas por IA, capaces de anticipar condiciones de pista, errores humanos y estrategia de neumáticos mejor que sus propios ingenieros. Algunos fanáticos aplauden; otros gritan “¡trampa!”. Pero… ¿y si esto no es el fin del deporte, sino el inicio de una nueva era?

Algo similar ocurre en la geofísica, donde simular cómo viajan las ondas sísmicas en el subsuelo es crucial para detectar petróleo, prevenir terremotos o incluso diseñar infraestructuras más seguras. El problema: estas simulaciones son lentas y caras. Tradicionalmente se usan métodos numéricos como elementos finitos o diferencias finitas, pero ahora aparece un nuevo competidor: DiffPINN.

Este preprint revolucionario presenta una forma de entrenar redes neuronales que no solo respetan las leyes físicas (como lo hacen las PINNs o Physics-Informed Neural Networks), sino que además aprenden más rápido usando un truco tomado del mundo de la imagen y la IA generativa: los modelos de difusión.

¿Qué es eso? Imagina que para enseñarle a una IA cómo se propagan las ondas sísmicas, tuvieras que correr 100 simulaciones distintas, cada una más compleja que la anterior. Con DiffPINN, haces eso una vez, aprendes las “esencias” o patrones generales que rigen esas simulaciones, y luego generas nuevas simulaciones “imaginadas” pero válidas… sin repetir todo el proceso. Es como si después de ver suficientes carreras, una IA pudiera anticipar cómo manejaría Verstappen una curva en Canadá… antes de que él mismo lo supiera.

¿Y esto es magia o física?
Lo que se hace aquí no es simple aprendizaje. Es meta-aprendizaje físico guiado. La red aprende una representación comprimida (latente) de soluciones anteriores, la generaliza a nuevos contextos sísmicos, y genera un “punto de partida ideal” para simular con mucha mayor precisión. Como si Red Bull ya supiera el mejor setup antes de la carrera. Como si un arquitecto supiera qué material usar en un suelo antes de hacer pruebas.

¿Qué implica esto para la ciencia?
Esto no es solo velocidad. Es precisión, ahorro energético, y adaptabilidad. En lugares donde cada segundo importa —como una alerta sísmica o la detección de petróleo— esto puede salvar recursos y vidas. En la ciencia del clima o la exploración planetaria, estas técnicas podrían hacer simulaciones viables en tiempo real. Y, sí, también sirven para democratizar la ciencia: puedes entrenar una de estas redes sin tener un supercomputador si ya tienes una buena base.

Sección técnica para quienes no se conforman con palabras bonitas
La red busca resolver una versión perturbada de la ecuación de Helmholtz en el dominio de frecuencia:
ω² · m(x) · δu(x, xs, ω) + ∇² · δu(x, xs, ω) = –ω² · δm(x) · u₀(x, xs, ω)
Donde:
δu(x, xs, ω) es el campo de onda dispersado

m(x) = 1 / v² representa la lentitud del medio (inversa del cuadrado de la velocidad)

u₀(x, xs, ω) es el campo de fondo, es decir, la solución conocida en un medio homogéneo.

Luego, cada red PINN se entrena para aproximar soluciones a la ecuación bajo distintos modelos de velocidad.
Estas soluciones se transforman en vectores y se reducen a un espacio latente mediante un autoencoder, de la siguiente forma:
z = E(θ)
θ̂ = D(z)
Donde:
E(θ) es el codificador (encoder) que convierte los parámetros en un vector latente z

D(z) es el decodificador (decoder) que reconstruye los parámetros a partir del vector z

Después, un modelo de difusión entrenado sobre estos vectores latentes genera nuevos vectores z′, que representan casos nuevos (nuevos modelos de velocidad).
Este nuevo vector z′ se decodifica y se usa como punto de partida ideal para entrenar una nueva PINN, lo que permite mayor precisión con mucho menor tiempo de entrenamiento.

Conclusión
Así como la Fórmula 1 enfrenta el dilema entre purismo y tecnología, la ciencia está cruzando un umbral: la IA ya no solo aprende de datos, sino de física misma. Y lo hace más rápido que nosotros. Lo importante no es competir contra ella, sino saber entrenarla, guiarla… y dejar que nos enseñe cómo pensar mejor.

Referencias
DiffPINN: arXiv:2506.00471v1 https://arxiv.org/pdf/2506.00471v1

Red Bull AI controversy: The Race, June 2025

Raissi et al. (2019). Physics-informed neural networks

Song & Alkhalifah (2021). PINNs for wavefield reconstruction

Wang et al. (2024). Neural Network Diffusion

#IAenCiencia #DiffPINN #F1yTecnología #SimulaciónSísmica #PINNs #RedesNeuronales #DeepLearning #FilosofíaDeLaCiencia #CienciaEnRedes #DivulgaciónCrítica
¿Quieres saber más? https://linktr.ee/PepeAlexJasa