Una inteligencia artificial encuentra nuevas leyes físicas en plasmas polvorientos
Una red neuronal diseñada por físicos ha desafiado teorías clásicas al descubrir interacciones insospechadas en plasmas cósmicos. Este avance marca uno de los pocos casos en que una IA descubre nuevas leyes de la naturaleza a partir de datos reales.
Por Enrique Coperías
Representación artística de partículas cargadas suspendidas en un plasma polvoriento, mostrando las estelas de iones que generan debajo de ellas. Estas estelas provocan interacciones no recíprocas: una partícula puede atraer a otra sin recibir una fuerza equivalente a cambio, un fenómeno inesperado que desafía la tercera ley de Newton y que fue revelado gracias a una red neuronal diseñada por físicos. Imagen generada con DALL-E
Durante siglos, la física ha buscado la manera de desentrañar cómo se comportan los sistemas con múltiples cuerpos interactuando entre sí, desde las órbitas planetarias hasta el flujo colectivo de células o la formación de galaxias.
Estos sistemas, conocidos como sistemas de muchos cuerpos, son extremadamente difíciles de modelar. Pero ahora, un experimento pionero demuestra que la inteligencia artificial (IA), si se construye con el rigor adecuado, puede descubrir nuevas leyes físicas allí donde el ojo humano no alcanza a ver.
Así lo demuestra un estudio publicado en la prestigiosa revista PNAS y liderado por los físicos Justin Burton e Ilya Nemenman, de la Universidad Emory, en Estados Unidos. Su trabajo combina experimentos de laboratorio con un modelo de aprendizaje automático capaz no solo de describir las interacciones entre partículas de un plasma polvoriento, sino de revelar detalles completamente nuevos y corregir errores de teorías clásicas.
«Mostramos que podemos usar la IA para descubrir nueva física», confiesa Burton en un comunicado de Emory
Qué son los plasmas polvorientos
El plasma polvoriento es una forma exótica de materia. Se trata de un gas ionizado, es decir, una mezcla de electrones e iones, al que se suman partículas de polvo cargadas eléctricamente. Este tipo de materia representa una parte importante del universo visible y se encuentra en:
✅ Los anillos de Saturno.
✅ La ionosfera terrestre.
✅ El polvo lunar (que se adhiere a los trajes y equipos espaciales).
✅ Los incendios forestales, cuando el hollín cargado eléctricamente interfiere con las comunicacione
Aunque se le denomina polvo, las partículas son microscópicas, pero lo bastante grandes como para interactuar de forma compleja con su entorno. Estas partículas flotan, se repelen y a veces se atraen, en un juego dinámico que desafía nuestras nociones más básicas de física.
Como explica Nemenman, teórico del equipo, «algunas de estas interacciones violan incluso la tercera ley de Newton [esa que establece que toda acción tiene una reacción igual y opuesta]. Esto hace que este sistema sea ideal para explorar cómo surgen comportamientos colectivos a partir de interacciones locales».
IA diseñada para descubrir nuevas leyes físicas
En un escenario simple, cabría esperar que estas partículas —todas con carga negativa— simplemente se repelan entre sí, como dicta la ley de Coulomb. Pero en el entorno real de un plasma, las cosas son mucho más complejas.
Las partículas se ven afectadas por campos eléctricos, flujos de iones que las rodean y zonas de carga que generan bajo ellas como una especie de estela, una suerte de sombra de iones positivos. Estas estelas provocan fuerzas no recíprocas: A puede atraer a B, pero B no necesariamente atrae a A con la misma intensidad ni en la misma dirección.
El modelo desarrollado por el equipo de Emory fue capaz de detectar este comportamiento y cuantificarlo con una precisión extraordinaria. «Podemos describir estas fuerzas con más del 99% de precisión —afirma Nemenman. Y añade: Lo más interesante es que corregimos algunas suposiciones teóricas que, aunque comunes, no son del todo acertadas».
Una red neuronal diferente
A diferencia de herramientas como ChatGPT, que funcionan como modelos de predicción entrenados con grandes volúmenes de datos textuales, esta red neuronal fue construida desde cero para respetar los principios físicos del sistema. Como explica Nemenman, «cuando exploras algo nuevo, no tienes muchos datos. Así que diseñamos una red neuronal que pudiera aprender de pocos datos y aún así descubrir algo nuevo».
La clave, dicen los autores, estuvo en encontrar una estructura matemática que reflejara tres fuerzas fundamentales:
1️⃣ El arrastre del entorno, como la resistencia del gas.
2️⃣ Las fuerzas externas, como la gravedad y el campo eléctrico.
3️⃣ Las fuerzas entre partículas.
La red neuronal incluía estas tres contribuciones explícitamente, lo que le permitió aprender los parámetros físicos con un nivel de precisión sin precedentes.
«No es una caja negra —puntualiza Burton—. Entendemos cómo y por qué funciona. Y lo mejor es que esta estructura es universal: puede aplicarse a otros sistemas de muchos cuerpos».
Un laboratorio entre estrellas
Para sus experimentos, el equipo utilizó una cámara de vacío donde suspendieron pequeñas partículas plásticas en un plasma de argón, imitando así condiciones similares a las del espacio. Con un sistema de imágenes tomográficas, que combina un láser en forma de hoja y una cámara de alta velocidad, capturaron la posición tridimensional de las partículas durante casi un minuto con gran detalle.
Estas trayectorias sirvieron como input para entrenar a la red neuronal. A través de un complejo análisis de aceleraciones, posiciones y simetrías, el modelo infirió la masa, la carga eléctrica y las llamadas longitudes de apantallamiento (el alcance efectivo de las fuerzas) entre partículas.
Lo más sorprendente fue que los resultados desafiaban lo establecido: el modelo demostró que algunas teorías sobre cómo se cargan las partículas y cómo disminuyen sus interacciones con la distancia son incorrectas o incompletas.
Cuando las suposiciones fallan
Según la teoría clásica, cuanto más grande es una partícula, mayor es su carga, en proporción directa a su radio. Sin embargo, el nuevo modelo reveló que esa relación no es lineal.
«Demostramos que esta teoría no es del todo correcta —explica Nemenman—. Es cierto que las partículas más grandes tienen más carga, pero ese aumento no es necesariamente proporcional al radio. Depende de la densidad y temperatura del plasma».
Otro mito desmentido es que la fuerza entre partículas decae exponencialmente con la distancia, independientemente del tamaño de las partículas. El nuevo modelo indica todo lo contrario: la rapidez con que cae la fuerza sí depende del tamaño de las partículas, quizá porque afecta a cómo estas generan sus estelas de iones.
El laboratorio de Burton desarrolló técnicas para rastrear el movimiento 3D de partículas individuales en un plasma polvoriento de laboratorio. Los experimentos permitieron validar las inferencias realizadas por la inteligencia artificial. Cortesía: Burton Lab
Un universo donde Newton no manda
Uno de los hallazgos más llamativos de este trabajo, según los autores, es la descripción precisa de las interacciones no recíprocas. Para ilustrarlo, los investigadores usan una analogía náutica: imagina dos botes avanzando en un lago. Cada uno crea una estela de olas. Dependiendo de su posición relativa, una embarcación puede atraer o repeler a la otra.
En el caso del plasma polvoriento, explican, una partícula que va por delante puede atraer a otra que la sigue, pero esta última solo ejerce una fuerza repulsiva sobre la primera. Un fenómeno que se sospechaba, pero que ahora se puede describir cuantitativamente gracias a este modelo.
Para confirmar que este no era solo una buena aproximación matemática, los investigadores compararon las masas inferidas por la red neuronal con estimaciones independientes obtenidas a partir del coeficiente de arrastre y del tamaño físico de las partículas. Los resultados coincidieron casi a la perfección.
Además, simularon otros sistemas con interacciones similares y comprobaron que el modelo seguía funcionando con gran precisión, lo cual refuerza su utilidad como herramienta científica generalizable.
Más allá del plasma: hacia sistemas vivos
Aunque este estudio se centra en plasmas polvorientos, sus implicaciones van mucho más allá. “Nuestro enfoque podría aplicarse a muchos sistemas de muchos cuerpos, desde coloides industriales hasta cúmulos celulares”, afirma Burton.
De hecho, Nemenman, experto en biología teórica, ya planea aplicar el mismo marco a sistemas vivos. Pronto impartirá clases en la Konstanz School of Collective Behavior, en Alemania, enseñando a estudiantes de todo el mundo cómo usar la IA para descubrir las leyes de la dinámica colectiva en bandadas de aves, bancos de peces o tejidos celulares.
🔍 Aplicaciones potenciales de este avance
| 🧪 Campo | 🌍 Aplicaciones concretas |
|---|---|
| Biología | Migración celular, cáncer metastásico, desarrollo de tejidos |
| Física espacial | Comportamiento del polvo lunar, anillos de Saturno, atmósferas planetarias |
| Materiales industriales | Estudio de coloides, tintas, pinturas, formulación de productos químicos |
| IA científica | Descubrimiento de leyes físicas, análisis de sistemas complejos, física computacional |
IA para explorar lo desconocido
Para el equipo de Emory, este proyecto representa mucho más que un avance en física. «Es uno de los pocos ejemplos en los que la IA ha descubierto directamente algo fundamentalmente nuevo en la naturaleza», dice Nemenman.
El modelo se puede ejecutar en un ordenador de escritorio y ofrece una plataforma para estudiar cualquier sistema en el que múltiples agentes interactúen de forma compleja. Pero, como advierte Burton, la IA por sí sola no basta. «Hace falta pensamiento crítico para desarrollar y usar estas herramientas de forma que realmente impulsen el conocimiento científico».
Y concluye con una reflexión inspiradora«“Pienso en esto como en el lema de Star Trek: “Ir audazmente donde nadie ha ido antes”. Usada correctamente, la inteligencia artificial puede abrir puertas hacia nuevos mundos por explorar». ▪️
Información facilitada por la Universidad Emory
Fuente: W. Yu, E. Abdelaleem, I. Nemenman & J.C. Burton. Physics-tailored machine learning reveals unexpected physics in dusty plasmas. PNAS (2025). DOI: https://doi.org/10.1073/pnas.2505725122
