Durante décadas, algunos de los problemas más profundos de la física han resistido los métodos matemáticos tradicionales. Ecuaciones que describen el comportamiento de miles de partículas subatómicas interactuando simultáneamente son, en la práctica, imposibles de resolver de forma exacta con las herramientas convencionales. Ahora, un equipo de investigadores de la Universidad de California en Irvine (UCI) está apostando por la inteligencia artificial para abrir una brecha en esa muralla.
El problema que nadie ha podido resolver del todo
El misterio en cuestión gira en torno al llamado problema cuántico de muchos cuerpos (quantum many-body problem). Cuando un sistema físico involucra más de unas pocas partículas cuánticas —electrones en un material superconductor, átomos en una red óptica, quarks dentro de un núcleo atómico— las ecuaciones que rigen su comportamiento colectivo se vuelven computacionalmente intratables. El número de variables crece de forma exponencial: describir con precisión un sistema de apenas 50 electrones requeriría más memoria que la que existe en todos los ordenadores del mundo.
Este no es un problema menor. De su resolución dependen avances en superconductividad a temperatura ambiente, el diseño de nuevos materiales cuánticos y la comprensión del comportamiento de la materia densa en el interior de las estrellas de neutrones. La física teórica lleva más de un siglo construyendo aproximaciones, desde el método de Hartree-Fock hasta teorías de funcional de densidad (DFT), pero cada una deja zonas oscuras importantes.
Cómo entra la IA en escena
El grupo de UCI está utilizando una clase específica de redes neuronales conocidas como Neural Quantum States (NQS), un enfoque que fue propuesto inicialmente por Giuseppe Carleo y Matthias Troyer en 2017 en un artículo publicado en Science. La idea central es entrenar una red neuronal para que aprenda a representar la función de onda de un sistema cuántico complejo —esa descripción matemática que contiene toda la información probabilística sobre el estado del sistema— sin necesidad de almacenarla explícitamente en su totalidad.
En lugar de guardar todos los coeficientes de la función de onda (tarea que requeriría memoria exponencial), la red neuronal aprende los patrones subyacentes que la generan. Es, en cierto sentido, lo mismo que hace un modelo de lenguaje grande cuando aprende a generar texto coherente sin memorizar cada oración posible: extrae la estructura profunda.
Los investigadores de UCI han refinado esta técnica aplicándola a sistemas de espines fuertemente correlacionados, que son modelos físicos fundamentales para entender fenómenos como el magnetismo cuántico y la superconductividad de alta temperatura. Según los resultados preliminares, sus modelos alcanzan una precisión comparable o superior a los mejores métodos numéricos existentes, como el Monte Carlo cuántico, pero con una fracción del coste computacional.
Ventajas concretas sobre los métodos clásicos
- Escalabilidad: Las NQS pueden representar sistemas con cientos de partículas donde los métodos exactos fracasan por completo.
- Flexibilidad: La misma arquitectura de red puede adaptarse a distintos Hamiltonianos (las ecuaciones que describen la energía del sistema) con un reentrenamiento relativamente sencillo.
- Generalización: Una vez entrenada en un régimen de parámetros, la red puede extrapolar razonablemente a regímenes desconocidos, algo que los métodos clásicos no hacen.
Limitaciones y cautelas necesarias
No todo son buenas noticias. Los propios investigadores reconocen que las NQS tienden a tener dificultades en sistemas con lo que se conoce como problema de signo: cuando la función de onda tiene componentes tanto positivas como negativas que se cancelan entre sí, el aprendizaje se vuelve mucho más costoso y propenso a errores. Este es precisamente el régimen más interesante físicamente, el que corresponde a muchos materiales exóticos y a la materia nuclear.
Además, la interpretabilidad sigue siendo un reto. Cuando una red neuronal encuentra una solución de baja energía para un Hamiltoniano cuántico, no siempre es evidente qué está capturando físicamente. A diferencia de las aproximaciones analíticas, que aportan intuición conceptual, las NQS son en gran medida cajas negras. Esto puede dificultar la verificación independiente de los resultados y la extracción de principios físicos nuevos.
Un campo en plena efervescencia
El trabajo de UCI no es un caso aislado. Grupos en Alemania, China, Reino Unido y varios centros de Estados Unidos están explorando variantes de este enfoque. Empresas como Google DeepMind y startups especializadas en computación cuántica han empezado a invertir en la intersección entre aprendizaje automático y física fundamental.
Lo que está en juego no es menor: si la IA logra resolver con fiabilidad el problema cuántico de muchos cuerpos, las consecuencias prácticas podrían ser transformadoras. Materiales superconductores diseñados computacionalmente, fármacos calculados desde primeros principios cuánticos, o catalizadores industriales optimizados átomo a átomo son algunos de los horizontes que se vislumbran.
Por ahora, el consenso entre los físicos es de optimismo cauteloso. La IA no ha resuelto el problema —nadie debería vender eso— pero sí ha abierto una puerta que llevaba décadas entornada. Y en física, a veces eso es exactamente lo que se necesita.
