🧬⚖️ “¿Puede la inteligencia artificial sanar… sin mirar?” Una historia sobre medicina, máquinas y ética en red.

 

En un mundo tejido por datos, donde la carne se transforma en píxeles y el diagnóstico depende del algoritmo, una nueva pregunta se abre como un abismo frente a nosotros:

¿Puede una IA aprender a ver sin ver? ¿Puede salvar sin espiar?

Como un mago digital que aprende de ecos y reflejos, un grupo de científicos ha creado un sistema de inteligencia artificial que no toca ni una sola imagen médica… y aun así aprende a reconstruir cuerpos con una precisión escalofriante.

Este no es un relato de ciencia ficción. Es el preprint arXiv:2506.08654v1, publicado en junio de 2025.

Como si los hospitales pensaran juntos, pero en silencio.

La idea es simple, pero revolucionaria. Tres centros médicos, separados por fronteras geográficas y legales, entrenan localmente una IA para transformar imágenes CBCT (una especie de radiografía 3D de baja resolución) en imágenes CT sintéticas de alta precisión.

Lo hacen sin compartir una sola imagen. Sólo comparten conocimiento. Como monjes que meditan por separado, pero sueñan con lo mismo.

Ese sueño se llama Aprendizaje Federado.

Filosofía, física y privacidad: una tríada inesperada

Desde la física cuántica sabemos que observar altera. Desde la filosofía sabemos que todo conocimiento implica poder. Desde la medicina, que cada paciente es un universo, y violarlo es profanación.

Este estudio propone una especie de solución taoísta: aprender sin intervenir, diagnosticar sin poseer.

Los hospitales no comparten sus datos, pero sincronizan los pesos del modelo. Como un coro que no necesita ver a sus cantantes para afinar la melodía, la IA aprende sin tocar lo sagrado: la privacidad del paciente.

¿Y cómo funciona? Sin tecnofobia, con ecuaciones

El sistema se basa en una red generativa adversarial condicional (cGAN). Lo traducimos así: una IA aprende a imaginar un cuerpo completo a partir de una radiografía incompleta, y otra IA se encarga de juzgar si su creación es lo suficientemente realista.

Ecuaciones clave (simplificadas para humanos curiosos):

L_total = L_adv + λ · L_recon

L_adv = log(D(sCT real)) + log(1 – D(G(CBCT)))

L_recon = | G(CBCT) – CT_real | (norma L1)

La clave: entrenar sin compartir imágenes. Solo se intercambian los parámetros (θ), no los cuerpos. Un acto de fe entre instituciones científicas.

Resultados que parecen ciencia ficción

Precisión media en imágenes externas (60 pacientes):

MAE ≈ 75 HU

PSNR ≈ 33.5 dB

SSIM ≈ 0.90

Estos números dicen lo siguiente: la IA “ciega” reconstruyó cuerpos con una fidelidad asombrosa.

Sin ver.

Sin tocar.

Sin espiar.

¿Y qué tiene que ver esto con las redes sociales?

Todo.

Porque en plena era de #IA, TikTok y Threads, se habla más de cuerpos que de ética. De vigilancia que de cuidado. Y este estudio, humilde y técnico, propone lo que nadie había logrado: una IA médica que no invade, sino que respeta.

En un contexto de escándalos de privacidad, bases de datos filtradas y algoritmos opacos, esta propuesta se siente como un oasis:

Una IA que cura sin colonizar.

Reflexión final

Tal vez el próximo salto cuántico no venga de más potencia computacional, sino de más humildad estructural. De arquitecturas que reconozcan que no todo debe ser visto, que hay cosas que pueden ser aprendidas sin poseerlas.

Como la gravedad que curva sin tocar.

Como el amor que transforma sin exigir.

Como una red neuronal que, sin ver tu rostro, aprende a protegerte.

¿Quieres enterarte de más ciencia?

Sígueme en: https://linktr.ee/PepeAlexJasa

Referencia principal:

arXiv:2506.08654v1 https://arxiv.org/pdf/2506.08654

SynthRAD2025 dataset challenge

#IAÉtica #FederatedLearning #MedicinaDigital #Radioterapia #PrivacidadEnSalud #CBCTtoCT #AIForHealth #FilosofíaYTecnología #PepeAlex #DivulgaciónCrítica

¿Nanopixeles que cambian de color con voltaje? El futuro flexible de las pantallas ha comenzado

En un mundo saturado de pantallas, donde los píxeles gobiernan desde nuestros relojes hasta los rascacielos luminosos, una nueva generación de nanopixeles promete cambiar no solo lo que vemos, sino cómo lo vemos. ¿Y si las pantallas del futuro no dependieran de luces LED, sino de una interacción cuántica entre metales y polímeros? Eso es lo que propone el estudio Tunable Coloration in Core-Shell Plasmonic Nanopixels (arXiv:2506.07544v1), donde Shariful Islam y Ahmed Zubair rediseñan desde lo más profundo la noción de color.

🌈 Un píxel, muchos colores: el giro electrocrómico
Los autores exploran nanopartículas con núcleo de oro y una cáscara de polímeros conductores orgánicos (como PANI o PEDOT) colocadas sobre espejos metálicos. Estas estructuras, llamadas eNPoM (electrochromic nanoparticle-on-mirror), pueden cambiar su color al aplicar pequeños voltajes.
Este proceso no depende de luz emitida, sino de la manipulación de cómo se dispersa la luz que incide sobre la estructura. El resultado: píxeles del tamaño de una bacteria, que cambian de color rápidamente, con eficiencia energética altísima.

🔬 Técnica y ecuaciones básicas
Para modelar el comportamiento óptico, usaron teoría del funcional de la densidad (DFT) y simulación electromagnética FDTD.

Entre las ecuaciones destacadas:
1. Permisividad del material (modelo Drude-Lorentz):
ε(ω) = ε∞ - (ω_p² / (ω² + i·Γ_D·ω))
     - (k₁·ω₁² / (ω² - ω₁² - i·γ₁·ω₁))
     - (k₂·ω₂² / (ω² - ω₂² - i·γ₂·ω₂))
donde:
ω = frecuencia
ε∞ = permisividad de fondo
ω_p = frecuencia de plasma
γ = factor de amortiguamiento
k = intensidad de oscilación

2. Cambio de longitud de onda por variación de índice:
Δλ / Δn = -(2·χ·n) / (dε_m / dλ)
donde:
χ = factor de forma de la nanopartícula
n = índice de refracción del medio
ε_m = permisividad del metal

3. Sección eficaz de dispersión (scattering):
C_scs = (8·π/3)·k⁴·a⁶·| (ε - ε_m) / (ε + 2·ε_m) |²
4. Sección eficaz de absorción:
C_abs = 4·π·k·a³·| (ε - ε_m) / (ε + 2·ε_m) |

💡 Crítica: innovación real, pero con advertencias
Este modelo abre nuevas posibilidades para pantallas ultraeficientes y flexibles. Pero también hay obstáculos: efectos de histéresis (cuando el píxel tarda en responder al cambio) y efecto memoria (el píxel recuerda su estado anterior, lo cual puede ser útil o molesto).
Además, aunque las simulaciones son detalladas, aún falta validar su fabricación a gran escala.

🧪 ¿Y las aplicaciones?
Pantallas sin retroiluminación
Ropa que cambia de color
Dispositivos médicos implantables
Señalización vial interactiva
Dispositivos camaleónicos militares

🎨 Un color que piensa
Este estudio nos obliga a pensar el color no como algo que “vemos”, sino como algo que “emerge” del diseño mismo de la materia. Ya no emitimos luz: manipulamos su resonancia. ¿El futuro? Pantallas que se sienten como papel… o como piel.

📘 ¿Quieres más ciencia con crítica, estilo y humor?
Sígueme aquí 👉 https://linktr.ee/PepeAlexJasa

📚 Fuentes
arXiv:2506.07544v1 https://arxiv.org/abs/2506.07321
Peng et al., Science Advances (2019)
Stockhausen et al., JACS (2010)
Granqvist, Solar Energy Materials (2014)

📣 #Nanotecnología #PantallasDelFuturo #Electrocrómica #Plasmones #PEDOT #CienciaYTecnología #DisplayRevolution #PepeAlex #jalejandrosau

¿Y tú, de qué color reescribirías el mundo si pudieras controlar sus píxeles uno por uno?

¿Estamos viviendo el punto más complejo de la historia humana?

Y si sí… ¿qué viene después?

La inteligencia artificial, el big data, las redes sociales, los colapsos ambientales, la ansiedad colectiva y las elecciones cada vez más radicales. ¿Será que estamos en el clímax de algo? Un nuevo estudio sugiere que no solo lo parece: lo somos.

En su artículo “Complexity in the Wake of Artificial Intelligence”, el físico y futurólogo Theodore Modis lanza una provocadora idea: la complejidad del sistema humano ha alcanzado su punto máximo y ahora comenzará a descender. ¿La cúspide? Justo ahora, en esta década, en la misma generación que vio nacer la IA, el internet y el mundo hiperconectado. Y todo parece indicar que el declive ya ha comenzado.

¿Cómo lo sabe? ¿Y qué significa eso?
El autor analiza 14 hitos históricos fundamentales en la evolución humana, desde la domesticación del fuego hasta la aparición de la inteligencia artificial generativa en 2023. Cada uno de estos momentos aportó un salto en la “complejidad” del sistema: nuevas conexiones, nuevas reglas, nuevas formas de organización.

Usando modelos de crecimiento logístico y curvas en forma de campana (bell-shaped), encuentra que la complejidad no crece indefinidamente: como todo lo vivo, sube… y luego baja.
Y aquí viene lo inquietante: la cúspide de esa curva coincide con nuestra generación, especialmente con la generación del baby boom. Modis sostiene que la vida de los baby boomers (1934–2052) está contenida casi exactamente dentro del pico de complejidad humana. Y a partir de ahora, cada hito nuevo (como el próximo previsto hacia 2050) aportará cada vez menos complejidad.

¿De verdad la IA es el último gran salto?
Según el modelo, sí… al menos por un buen rato. Y no porque no haya avances, sino porque la velocidad y profundidad del cambio comenzará a decrecer. El próximo hito importante llegaría hacia 2050–2052, con avances quizás en bioingeniería o computación cuántica, pero con menor “peso estructural” que la inteligencia artificial o internet.
Lo interesante es que Modis no ve esto como una tragedia, sino como una transición inevitable: a mayor complejidad, mayor desorden, y eventualmente el sistema se vuelve insostenible. En sus palabras: “la complejidad se multiplica a sí misma, pero no indefinidamente. Llega un punto donde la red es tan densa que deja de ser adaptativa.”

Sección técnica (con ecuaciones para los nerds):
La complejidad se estima como:
ΔCᵢ = I / ΔTᵢ
Donde:
ΔCᵢ = aumento de complejidad tras el hito i
I = importancia del hito (igual para todos los seleccionados)
ΔTᵢ = tiempo entre el hito i y el siguiente

La curva que sigue el sistema completo es la derivada de una función logística:
f'(x) = (M * α) / [(1 + e^(−α(x−x₀))) * (1 + e^(α(x−x₀)))]
También llamada “logistic life cycle”, esta curva describe el ascenso y descenso de la complejidad a lo largo de los hitos históricos, hasta llegar a la actualidad con la IA en 2023 como el punto más alto.

¿Qué implicaciones tiene esto para la sociedad?
Si la complejidad empieza a bajar, ¿se vuelve el mundo más simple? No exactamente. Se vuelve menos estructurado, menos “organizado”, pero no necesariamente más entendible. Es un mundo donde puede haber más ruido, pero menos significado. Más caos, pero menos “novedad significativa”.
Para el autor, esto no significa resignación, sino una oportunidad: podemos “aplanar la curva de complejidad”, al estilo COVID-19, para extender el periodo de mayor interés humano. ¿Cómo? Adoptando filosofías de vida como el minimalismo, la desaceleración (slow life), el decrecimiento… y quizás también aprendiendo a pensar antes de innovar por innovar.

Conclusión crítica
Este artículo tiene un gran valor como provocación intelectual. No pretende ofrecer certezas absolutas, sino sugerir un modelo para interpretar nuestra historia y proyectar nuestros posibles futuros. Y en ese sentido, es oro puro para físicos, filósofos y soñadores.

Eso sí, hay que tomarlo con cautela:
Los hitos elegidos son subjetivos (aunque revisados con aportes de Nobel)
La complejidad es difícil de definir y medir
La proyección depende de la elección del modelo (curvas logísticas, etc.)

Pero como metáfora potente, como reflexión estructurada sobre nuestra época, este texto logra lo que muchos papers no logran: hacernos mirar el ahora como si fuéramos parte de una curva histórica inevitable.
¿Estamos entonces ante el final de una era? ¿O es solo un reordenamiento antes de un nuevo salto?

Referencias:
Modis, T. (2025). Complexity in the Wake of Artificial Intelligence. arXiv:2506.04269v1 https://arxiv.org/pdf/2506.04269
Carroll, S. (2010). From Eternity to Here
Gell-Mann, M. (1994). The Quark and the Jaguar
Shannon, C. (1948). A Mathematical Theory of Communication
Kurzweil, R. (2005). The Singularity is Near
Aaronson, S., Carroll, S., Ouellette, L. (2014). The Coffee Automaton (arXiv draft)

Sígueme para más reflexiones, ciencia crítica y filosofía del futuro:
👉 https://linktr.ee/PepeAlexJasa

#Complejidad #IA #FilosofíaDeLaHistoria #Entropía #BabyBoomers #CrisisSistémica #FuturismoCrítico #Modis #CurvaDeGauss #Singularidad #CambioCivilizatorio #DivulgaciónCientífica

¿Puede un electrón revelar los secretos de una nueva física?

 

Lo que el espectro de un muón atrapado nos está gritando y no escuchamos

Mientras en Twitter (ahora X) se discute si deberíamos seguir gastando millones en Inteligencia Artificial cuando aún no entendemos cómo funciona el universo, un grupo de físicos decidió hacer justo lo contrario: mirar al interior de un átomo, a una partícula efímera, y observar lo que nos dice cuando desaparece. No hay trending topic para eso. Pero quizá debería.

Este trabajo se centra en el decaimiento de un muón atado a un núcleo. ¿Por qué es importante? Porque podría ser el mayor obstáculo experimental para detectar un proceso que cambiaría toda la física: la conversión directa de un muón en un electrón sin neutrinos, prohibida por el Modelo Estándar, pero predicha por varias teorías nuevas.

Para distinguir ese fenómeno extraordinario de los procesos comunes que lo imitan, se necesita una comprensión ultraprecisa del llamado “ruido de fondo”. Y ese ruido proviene de la desintegración normal del muón dentro del átomo: el bound-muon decay.

¿Qué hace este artículo?
Realiza el análisis más completo hasta ahora del espectro electrónico que deja esa desintegración común, incorporando:
el tamaño finito del núcleo, deformación del núcleo, apantallamiento electrónico, polarización del vacío (correcciones QED), retroceso del núcleo,efectos combinados en la energía y la forma de las funciones de onda.

Todo esto no es solo detalle técnico: cambia significativamente la forma del espectro justo en la región donde los experimentos buscarán una nueva física.

Filosofía cuántica en acción
Este tipo de trabajo es el que nunca aparece en las noticias, pero sin él no podríamos confiar en los experimentos que detectan neutrinos, materia oscura o nuevas interacciones.
También es profundamente filosófico: ¿una partícula es la misma cuando está libre que cuando está atada? ¿Cómo cambian sus propiedades al estar enredada en un sistema más complejo? ¿Qué nos dice eso sobre nosotros, sobre nuestras decisiones, sobre cómo cambiamos al pertenecer a un entorno?
Este estudio nos recuerda que hasta el electrón más silencioso tiene algo que decir, si lo escuchamos con suficiente precisión.

Aplicaciones prácticas
Mejora la predicción del fondo en experimentos como Mu2e, COMET y DeeMe
Aumenta la confiabilidad para detectar procesos de violación del sabor leptónico
Permite explorar más allá del Modelo Estándar

Sección técnica (para los curiosos con café en mano):

El decaimiento de un muón ligado se describe mediante el proceso:
mu⁻ → e⁻ + anti-nu_e + nu_mu

Pero al estar ligado al núcleo, la energía disponible y las funciones de onda involucradas requieren solución numérica de la ecuación de Dirac modificada con varios potenciales.

🔹 Corrección de retroceso nuclear (recoil):
Ee' = Ee - (Ee)^2 / (2 * M_N)
donde Ee es la energía del electrón, y M_N la masa del núcleo.

🔹 Potencial de polarización del vacío (efecto Uehling, versión simplificada):
V_VP(r) = - (2 * α * Z) / (3 * π * r) * ∫₁^∞ dt * e^(−2 * m_e * r * t) * (1 + 1 / (2 * t²)) * sqrt(t² − 1) / t²
Aquí:
α es la constante de estructura fina (~1/137),
Z es el número atómico,
r es la distancia radial,
m_e es la masa del electrón.

🔹 Corrección espectral relativa por efecto atómico o cuántico:
delta(Ee) = [N_corr(Ee) − N(Ee)] / N(Ee)
donde:
N(Ee) es el espectro original,
N_corr(Ee) es el espectro corregido tras aplicar la modificación.

🔹 Corrección a la energía por cambio en la ligadura del muón:
delta_corr_energ(Ee) = [ (E_mu + delta_E_mu - Ee) / (E_mu - Ee) ]^5 - 1
🔹 Parámetros importantes del espectro:
E_mu = energía total del muón ligado (incluye masa)
Ee = energía del electrón emitido
k = momento de transferencia
jl(kr) = funciones de Bessel esféricas (aparecen al expandir en ondas esféricas)

Conclusión:
Este artículo es un ejemplo de por qué la ciencia básica es crucial. Nadie va a salir corriendo a vender NFTs de muones, ni los algoritmos de TikTok se van a basar en esto. Pero si algún día confirmamos una nueva interacción, una nueva simetría, o incluso la existencia de partículas aún desconocidas, será gracias a estudios como este.
Y mientras tanto, seguimos midiendo los suspiros del universo.

Referencias clave:
M. Y. Kaygorodov et al. (2025). Study of atomic effects on electron spectrum in bound-muon decay process, arXiv:2506.02416v1
COMET experiment: https://comet.kek.jp
Mu2e experiment: https://mu2e.fnal.gov

Para saber más visita:https://linktr.ee/PepeAlexJasa

#FísicaCuántica #ModeloEstándar #Muones #Electrones #CienciaYFilosofía #DivulgaciónCientífica #ciencia #fisica #IA #Neutrinos #Decaimiento #MuonToElectron #BoundMuonDecay #DIO #arXiv2506 #COMET #Mu2e #FísicaDePartículas #Simetría #IAvsCiencia #FísicaFundamental

¿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

¿Puede una curva matar la gloria?

Lo que la geometría de Einstein nos enseña sobre la polémica en la Fórmula 1

Monaco: glamour, precisión, historia… y una polémica que arde.

Durante el Gran Premio reciente, los fans se dividieron. ¿Merecía la victoria un piloto que “no rebasó”? ¿Un circuito tan estrecho y rígido todavía tiene sentido en la era moderna? ¿Sigue siendo “auténtico” o se ha convertido en una pieza de museo?
Lo interesante es que este dilema —lo que se puede cambiar sin perder la esencia— no es solo de la F1.

También es el corazón del preprint que analizamos hoy: “Comparison of total σₖ-curvature”.
¿Qué es eso de la “curvatura total σₖ”?
Este artículo de geometría diferencial compara diferentes métricas —formas de medir distancias y ángulos— en espacios parecidos a esferas o espacios hiperbólicos.

En términos simples:
📐 Imagina que tienes una esfera perfecta (como una pista ideal).
🔧 Ahora la deformas un poco: le agregas rugosidades, la estiras aquí, la achatas allá.
❓ Pregunta clave: ¿cuánto puedes deformarla antes de que sus propiedades globales cambien demasiado?

El artículo estudia eso mismo, pero con curvaturas σₖ, que son medidas matemáticas que generalizan la curvatura escalar. Y lo hace con un resultado elegante: ciertas deformaciones no pueden superar las métricas ideales en su “curvatura total”, salvo que sean exactamente iguales.

¿Qué tiene que ver con la F1?
Mucho.
Mónaco es como una métrica de Einstein: histórica, estable, simétrica, casi sagrada.

Pero las carreras modernas exigen deformaciones: más rebases, más espectáculo, más seguridad.

Y los puristas se preguntan: ¿cuánto puedes cambiar una pista antes de que deje de ser “auténtica”?

En el automovilismo, como en la geometría, buscar lo óptimo no siempre implica moverse hacia adelante.
A veces, el mejor resultado es el que ya tienes.

El artículo se inspira en la tradición de las métricas de Einstein, que son soluciones simétricas, elegantes y estables a ciertas ecuaciones de curvatura. Estas métricas, usadas en relatividad general, describen cómo se curva el espacio-tiempo y representan configuraciones "ideales" en muchos sentidos: no solo son bellas matemáticamente, sino físicamente significativas.

Lo que el preprint plantea es que incluso cuando deformamos una estructura, hay valores máximos que no se pueden superar, a menos que la deformación vuelva al punto de partida.
Del mismo modo, los fanáticos del Gran Premio de Mónaco podrían preguntarse si alterar demasiado una pista como esa la alejaría de su “forma canónica”.

Entonces, ¿queremos más rebases o más mística?
¿Más espectáculo o más legado?
¿Queremos métricas deformadas que se “sientan modernas”… aunque no superen en belleza a las métricas ideales?

Sección técnica para los curiosos
El preprint demuestra que para métricas g que son conformes a la métrica estándar sobre la esfera Sⁿ, se cumple la siguiente desigualdad:
∫M σ_k(g) · dv_g ≤ ∫M σ_k(g₀) · dv_g₀
Donde:
σ_k(g) es la curvatura simétrica de orden k del tensor de Schouten,
g₀ es la métrica canónica o métrica "ideal" de la esfera,

Y la desigualdad se convierte en igualdad solo si g = g₀, es decir, si la métrica deformada es exactamente la estándar.

Esto tiene implicaciones profundas: hay un límite superior geométrico. Ninguna deformación admisible (dentro de la clase de métricas positivas) puede superar al ideal.
Reflexión filosófica: ¿es deformar perder identidad?
En el automovilismo, como en la geometría, buscar lo óptimo no siempre implica moverse hacia adelante.

A veces, el mejor resultado es el que ya tienes.
Y ese es el corazón del debate:
¿Queremos más rebases o más mística?
¿Más espectáculo o más legado?
¿Queremos métricas deformadas que se “sientan modernas”… aunque no superen en belleza a las métricas ideales?

Conclusión
La ciencia y el deporte a veces se cruzan en preguntas similares:
¿Qué es lo que hace auténtico a un sistema?
¿Se puede mejorar sin traicionar la estructura?
¿Hay límites naturales a la transformación?

En la geometría, esas preguntas se responden con ecuaciones.
En la F1, con vueltas, debates y banderas a cuadros.
Pero en ambos casos, la respuesta es la misma:
💡 no todo lo que se puede cambiar, conviene cambiarlo.

Referencias
Comparison of total σₖ-curvature, arXiv:2505.23440v1 https://arxiv.org/pdf/2505.23440
S. Brendle & others, curvature in conformal geometry
Carrera de Mónaco, F1 2025 – Análisis de pilotos y polémica
Riemann, B. (1854). Über die Hypothesen...

Otros contenidos parecidos en mis demás redes: https://linktr.ee/PepeAlexJasa
#Fórmula1 #F1 #Geometría #CurvasYControversia #MónacoVsModernida #CienciaPopular #PreprintsParaPensar #Cultura #Matemáticas #Divulgación #CurvasQueNoRebasas #EinsteinYLaF1 #Ciencia

¿Pensar es perder la pasión?

Del freestyle/Rap a la lógica filosófica y científica: por qué el fanatismo nos impide entender el mundo según la lógica matemática.

¿Sabías que la ciencia tiene una disciplina que nos ayuda a pensar de manera más crítica? Se llama lógica matemática y filosofía del lenguaje crítica. Y para muestra usaremos un ejemplo de la cultura actual. El tercer round de la batalla escrita de Rap del año en liga bazooka.

En Argentina, en la liga Bazooka, Aczino lo volvió a hacer: frente a un público volcado emocionalmente hacia su rival, sacó una barra maestra detrás de otra, imponiendo lógica argumentativa.
Sin alzar la voz, sin aspavientos. Solo técnica, argumento, historia.
Y aunque no lo ovacionaron como merecía, dejó claro —otra vez— por qué es el G.O.A.T.

Chilli estaba encendido tirando rimas muy personales. El público rugía. Pero Mau, como en tantas otras batallas, nos recordó que el verdadero rap no siempre gana por euforia sino con argumentos.
Gana por contenido, y delivery aunque este contenido dolió.
Y ahí, como en tantas otras arenas del pensamiento humano, el fanatismo mostró su cara.
Aczino, había venido sufriendo en sus batallas escritas ataques totalmente personales que nada tenían que ver con la elegancia de la lírica o la contundencia de las “barras”, sino más con el chisme inventado acerca de sus supuestas malas actitudes morales. Y entonces en medio de su intervención, lanzó una rima dirigida directamente al legado de Maradona.
La frase que desató la indignación fue contundente:“ ¿Tú crees que la vida personal y profesional se relacionan? ¿y eres el mayor admirador de Maradona?¿Qué admirabas más: ¿su pedofilia, su apoyo a Fidel Castro o su adicción a la droga? ¿Qué apoyabas más?”, disparó el mexicano, generando una inmediata reacción de rechazo por parte del público.
Los abucheos no se hicieron esperar. Miles de asistentes comenzaron a gritar insultos y a corear el nombre de Maradona como forma de defensa al astro fallecido. Mientras el público estaba coreando su porra futbolística aczino alzó la voz contra las diez mil personas y entonar sobre su porra: “pedófilo, drogadicto…”.

La figura de Diego Maradona es considerada intocable por gran parte de la sociedad argentina, no sólo por su talento futbolístico sino por su simbología política, popular y cultural. Por eso, el ataque directo a su persona por parte de un artista extranjero generó reacciones divididas incluso en redes sociales, donde algunos defendieron la libertad artística de Aczino mientras otros exigieron una disculpa pública, pero Aczino llevaba un argumento de por medio, al GOAT del fútbol no le juzgan por su vida personal, pero al GOAT del freestyle Aczino, no dudan en inventar chismorreos en su contra y considerarlos barras elevadas de rap. Hasta donde podemos notar el argumento era fuerte.

¿Qué dice la ciencia del fanatismo?

El preprint “Critical Thinking and Fanaticism” no habla de freestyle, pero desarma los mismos mecanismos que vimos en esa batalla.
Sostiene que el fanatismo es una desconexión voluntaria del juicio crítico, una forma de pensar donde:

El “nosotros” vale más que el argumento
El carisma aplasta al razonamiento
Y el desacuerdo se ve como traición

Aczino fue abucheado en ese round… pero ganó un lugar en la historia como ejemplo vivo del pensamiento crítico en escena.
Definiendo fanatismo (con rigor)
Este artículo de filosofía contemporánea identifica el fanatismo como:

Una adhesión emocional ciega a una idea, grupo o símbolo
Un sistema de creencias resistente a la refutación
Un entorno epistémico cerrado, donde lo contrario se interpreta como ataque.
Y lo más importante: el fanático no se siente fanático.
Se siente fiel. Justo. Comprometido.
Por eso es tan peligroso.

El pensamiento crítico como resistencia

El autor del preprint propone que el pensamiento crítico se basa en tres hábitos:

Evaluar ideas sin depender de su origen
Reconocer los propios sesgos antes de señalar los ajenos
Estar dispuesto a cambiar de opinión si la evidencia lo exige

En modelos lógicos, esto se formula con operadores de revisión de creencias (belief revision operators) y redes semánticas que permiten actualizar nodos sin colapsar todo el sistema cognitivo.

Sección técnica: un modelo cognitivo formal

Supongamos un agente racional A con un conjunto de creencias B.
A se enfrenta a nueva información I, que contradice parte de B.
El agente crítico aplica:
B′ = (B ⊕ I) − C
Donde C es el conjunto mínimo de creencias incompatibles con I.
Un agente fanático, en cambio, simplemente restringe el input:
I′ = I ∩ {x ∈ D | x ≡ S}
Donde D es el dominio percibido y S es la “similitud ideológica”.
El resultado: una cámara de eco epistémica, incapaz de actualizarse.

¿Por qué importa esto hoy?

Porque vivimos en tiempos donde los gritos compiten con las ideas, y donde lo popular muchas veces se impone a lo verdadero.
Desde las elecciones hasta los algoritmos, el fanatismo opera como un virus emocional.
Nos hace aplaudir sin pensar, rechazar sin entender, seguir sin preguntar.

Y eso —como lo vio Aczino en el escenario, y este artículo en la filosofía— es un camino directo a la distorsión colectiva.

Aplicaciones reales
En política: polarización y culto a la personalidad
En ciencia: negacionismo climático, terraplanismo, pseudoterapias
En arte: defensa irracional de obras sin análisis
En redes: "cancelación" sin matices ni contexto

Conclusión
El pensamiento crítico no es solo una herramienta académica.
Es una forma de cuidar nuestra libertad interna.
Es el arte de no dejarse llevar, incluso cuando el estadio entero grita lo contrario.

Y como dijo Aczino, cuando no te aplauden por pensar… piensa más fuerte.

Referencias clave
Critical Thinking and Fanaticism, arXiv:2505.21407v1 https://arxiv.org/pdf/2505.21407
Aczino vs. Chilli Parker, FMS Internacional
Adorno, T. (1950). The Authoritarian Personality
Kahneman, D. (2011). Thinking, Fast and Slow
Popper, K. (1945). The Open Society and Its Enemies
Otros contenidos parecidos en mis redes: https://linktr.ee/PepeAlexJasa

#PensarEsResistir #FilosofíaYFreestyle #FanatismoCultural #PreprintsQueImportan #DivulgaciónCrítica #CríticaSinMiedo #NoTodoEsGrito #AczinoG.O.A.T #CulturaYPensamiento #Ciencia