Durante décadas, los físicos han soñado con una herramienta capaz de analizar montañas de datos experimentales y revelar leyes de la naturaleza que el ojo humano no puede ver. La inteligencia artificial parecía ser esa herramienta. Sin embargo, un problema fundamental amenaza esa promesa: los modelos de IA aprenden patrones a partir de datos generados bajo las leyes físicas que ya conocemos. Si el universo esconde algo radicalmente distinto, la IA podría ser el instrumento menos indicado para encontrarlo.
Un estudio reciente publicado y comentado en Phys.org plantea una solución tan elegante como contraintuitiva: antes de buscar nueva física, la IA debe desaprender la física vieja.
El problema del sesgo incorporado
Cuando entrenamos una red neuronal con datos de colisiones del Gran Colisionador de Hadrones (LHC) del CERN, el modelo absorbe implícitamente las suposiciones del Modelo Estándar de partículas. Aprende que ciertas simetrías se conservan, que determinadas partículas se comportan de formas específicas, y que las anomalías son simplemente ruido estadístico.
Este sesgo no es accidental: es estructural. Los conjuntos de datos con los que se entrena la IA han sido filtrados, etiquetados y curados por físicos que trabajan dentro del marco teórico dominante. El modelo hereda sus suposiciones sin cuestionarlas.
El resultado es una IA extraordinariamente buena para confirmar lo que ya sabemos, pero potencialmente ciega ante señales de física más allá del Modelo Estándar, como la materia oscura, la asimetría materia-antimateria, o la gravedad cuántica.
¿Qué significa realmente "desaprender"?
Los investigadores proponen varias estrategias técnicas para romper este ciclo. Una de las más prometedoras se basa en métodos de aprendizaje no supervisado agnóstico: en lugar de entrenar modelos para reconocer patrones conocidos, se entrenan para detectar cualquier desviación estadística significativa respecto a una línea de base, sin importar si esa desviación corresponde a algo que la teoría actual predice.
Otra aproximación utiliza técnicas de aprendizaje por refuerzo con penalización de prior. En este esquema, el modelo recibe una penalización cada vez que su solución puede explicarse completamente mediante física conocida. Se le incentiva, literalmente, a buscar lo inexplicable.
También existe el enfoque de redes generativas adversariales (GANs) invertidas, donde un modelo genera hipótesis de física nueva y otro intenta refutarlas usando solo el conocimiento establecido. Lo que sobrevive a ese proceso de refutación merece atención experimental.
Casos concretos donde esto importa
- Detección de materia oscura: Los detectores como XENONnT generan terabytes de datos. Los modelos actuales buscan las firmas predichas por los candidatos de materia oscura más populares (WIMPs). Un modelo sin ese sesgo podría detectar señales de candidatos más exóticos.
- Física del neutrino: Las anomalías en los experimentos de neutrinos como MiniBooNE han sido difíciles de interpretar. Una IA desvinculada de suposiciones podría encontrar patrones que no encajan en ningún modelo existente.
- Ondas gravitacionales: LIGO y Virgo producen datos continuos. Más allá de las fusiones de agujeros negros y estrellas de neutrones, podría haber fuentes completamente nuevas que los filtros actuales simplemente descartan.
Los límites del enfoque
La propuesta no está exenta de críticas. El físico teórico David Tong, del Instituto Perimeter, ha señalado que sin ningún marco teórico de referencia, una IA podría generar un volumen inmanejable de falsos positivos. Encontrar una anomalía estadística no equivale a descubrir física nueva: podría ser ruido, un artefacto del detector o simplemente una fluctuación improbable pero posible dentro del Modelo Estándar.
Además, existe el problema de la interpretabilidad. Si una IA señala una anomalía pero no puede articular qué ley física subyacente la genera, los físicos no tienen por dónde empezar a construir una teoría. La brecha entre correlación estadística y comprensión causal sigue siendo enorme.
Una nueva filosofía de ciencia asistida por IA
Lo que hace fascinante esta investigación no es solo el aspecto técnico, sino el filosófico. Implica reconocer que la IA, tal como la usamos hoy, es una herramienta conservadora: brillante para optimizar dentro de paradigmas conocidos, pero estructuralmente resistente a la revolución científica.
Thomas Kuhn describió el avance científico como una sucesión de paradigmas separados por rupturas. La IA, si no se diseña cuidadosamente, podría convertirse en el más poderoso guardián del paradigma vigente que la ciencia haya tenido jamás.
Desaprender, en ese contexto, no es una debilidad del modelo: es el requisito mínimo para que la IA pueda aspirar a ser un genuino colaborador en la búsqueda del conocimiento, y no simplemente un espejo muy sofisticado de lo que ya sabemos.
