Desvela una física inesperada en el corazón de los plasmas, donde rigen leyes más complejas de lo que predecían las teorías
Una nueva física emerge del polvo cósmico, guiada por la inteligencia artificial. / ChatGPT/T21
EDUARDO MARTÍNEZ DE LA FE
T21 Madrid07 AGO 2025
Un original modelo de inteligencia artificial (IA) ha logrado descifrar las complejas leyes físicas que gobiernan los "plasmas de polvo", un estado de la materia común en el universo. No solo ha medido con una precisión sin precedentes las propiedades de partículas individuales, sino que también ha revelado comportamientos que desafían las teorías establecidas desde hace décadas.
Un equipo de científicos de la Universidad de Emory ha desarrollado un innovador modelo de inteligencia artificial (IA) que ha logrado descifrar las complejas leyes físicas que gobiernan los "plasmas de polvo", un estado de la materia común en el universo pero difícil de estudiar. Este avance no solo ha permitido medir con una precisión sin precedentes las propiedades de partículas individuales, sino que también ha revelado comportamientos que desafían las teorías físicas establecidas desde hace décadas.
El plasma de polvo es, en esencia, una "sopa" compuesta por iones, electrones y partículas de polvo de tamaño micrométrico que adquieren carga eléctrica. Este estado de la materia se encuentra en lugares tan dispares como los anillos de Saturno o el espacio interestelar y es fundamental en procesos como la formación de planetas. Sin embargo, comprender cómo interactúan estas partículas representa un desafío científico. A diferencia de las fuerzas que aprendemos en la física clásica, las interacciones en un plasma de polvo son complejas, no recíprocas (la fuerza que la partícula A ejerce sobre B no es igual y opuesta a la que B ejerce sobre A) y están mediadas por el entorno de plasma que las rodea.
Un modelo de IA con "intuición física"
Para abordar esta complejidad, los investigadores Wentao Yu, Justin C. Burton y su equipo no utilizaron un modelo de IA genérico. En su lugar, diseñaron una IA "a medida", incorporando desde el principio las restricciones y simetrías que se esperan de un sistema físico. El experimento consistió en levitar un pequeño grupo de partículas de polvo dentro de una cámara de plasma y registrar sus trayectorias tridimensionales con un sistema de láseres y cámaras de alta velocidad. Estos datos, que capturaron la "danza" de las partículas, sirvieron de alimento para el modelo de IA.
El modelo se basa en la segunda ley de Newton y fue estructurado con tres redes neuronales independientes que trabajaron en conjunto para aprender simultáneamente tres tipos de fuerzas distintas que actúan sobre cada partícula: las fuerzas de interacción entre cada par de partículas; las fuerzas ambientales generadas por el entorno, como los campos eléctricos que las atrapan; y la fuerza de arrastre o fricción que cada partícula experimenta al moverse a través del gas.
Resultados verificados
La precisión del modelo fue excelente, logrando predecir la aceleración de las partículas con un coeficiente de determinación (R²) superior a 0.99, lo que indica una concordancia casi perfecta con los datos experimentales.
Pero la verdadera genialidad del modelo reside en su capacidad para validar sus propios descubrimientos, ya que fue capaz de inferir la masa de cada partícula individual de dos maneras completamente independientes: una a partir de las fuerzas de interacción y otra a partir de la fuerza de arrastre. Ambas estimaciones coincidieron a la perfección, lo que demostró de forma contundente que la IA no solo estaba ajustando los datos, sino que había aprendido correctamente la física subyacente y que era capaz de separar cada contribución de fuerza de manera precisa.
Descubrimientos que desafían la teoría
Con la confianza de tener un modelo validado, los científicos lo utilizaron como una sonda para explorar la física del sistema, descubriendo dos importantes desviaciones de las teorías convencionales.
La primera constatación se refiere a que el rango de la interacción depende del tamaño: la teoría asumía que el "rango de apantallamiento" (una medida de hasta dónde se extiende la fuerza de una partícula) dependía únicamente de las propiedades del plasma. Sin embargo, el modelo de IA reveló que este rango aumenta con el tamaño promedio de las partículas que interactúan. Es decir, las partículas más grandes "sienten" su influencia mutua a mayores distancias, un efecto no predicho por los modelos teóricos más comunes.
La segunda constatación tiene que ver con que la carga de las partículas no sigue la regla esperada: la teoría de "límite de movimiento orbital" (OML), un pilar en la física de plasmas, predice una relación directa y simple entre la masa de una partícula y la carga eléctrica que adquiere (específicamente, la carga debería ser proporcional a la masa elevada a la potencia de 1/3). Los resultados del estudio mostraron, sin embargo, que esta relación es mucho más compleja, con un exponente que varía significativamente (entre 0,30 y 0,80) y que, además, depende de la presión del gas en el sistema.
Simulación coincidente
Por último, para asegurarse de que estos hallazgos no eran un artefacto del propio modelo, el equipo realizó una simulación por computadora donde las partículas seguían las leyes teóricas conocidas. Al analizar estos datos simulados, la IA extrajo correctamente las reglas con las que fue creada la simulación, confirmando que las desviaciones encontradas en los datos experimentales son, muy probablemente, fenómenos físicos reales y no errores de inferencia.
Por todo ello, señalan los investigadores, este trabajo representa un salto cualitativo en la forma de estudio de sistemas complejos. Al dotar a la inteligencia artificial de una base de conocimiento físico, han creado una herramienta capaz de actuar como un científico autónomo, descubriendo nuevas leyes de la naturaleza directamente a partir de datos experimentales.
Este enfoque promete ser aplicable a una amplia gama de sistemas, desde la materia coloidal hasta el comportamiento colectivo de organismos vivos, abriendo una nueva era de descubrimientos guiados por la IA.
_____________
Referencia
Physics-tailored machine learning reveals unexpected physics in dusty plasmas. Wentao Yu et al. PNAS, July 31, 2025. DOI:https://doi.org/10.1073/pnas.2505725122
_________
Fuente:
