Un nuevo avance en inteligencia artificial ayuda a los científicos a descubrir las fuerzas ocultas que dan forma al mundo que nos rodea.
Científicos han desarrollado un nuevo método de IA que puede analizar patrones para descubrir los procesos ocultos que los impulsan. Este avance podría mejorar la investigación en genética, envejecimiento, predicción meteorológica y otros sistemas complejos. Crédito: Shutterstock
Scitechdaily.com/
Facultad de Ingeniería y Ciencias Aplicadas de la Universidad de Pensilvania/13/05/2026
Ingenieros de la Universidad de Pensilvania han desarrollado una nueva técnica basada en inteligencia artificial que podría ayudar a los científicos a resolver algunos de los problemas matemáticos más difíciles que se utilizan para estudiar el mundo natural.
Este método, denominado «Capas Suavizadoras», está diseñado para manejar ecuaciones diferenciales parciales inversas (EDP), una clase de ecuaciones que permite a los investigadores trabajar a la inversa a partir de patrones visibles para descubrir los procesos ocultos que los crearon. Estos problemas aparecen en campos que van desde la genética y la ciencia de los materiales hasta la predicción meteorológica.
«Resolver un problema inverso es como observar las ondas en un estanque y reconstruir el proceso para averiguar dónde cayó la piedra», explica Vivek Shenoy, profesor distinguido Eduardo D. Glandt de Ciencia e Ingeniería de Materiales (MSE) y autor principal de un estudio publicado en Transactions on Machine Learning Research ( TMLR ), que se presentará en la Conferencia sobre Sistemas de Procesamiento de Información Neuronal (NeurIPS 2026). «Los efectos son claramente visibles, pero el verdadero desafío reside en inferir la causa oculta».
En lugar de depender de sistemas de IA más grandes y que consumen más energía, los investigadores se centraron en mejorar las matemáticas que sustentan el proceso en sí.
«La IA moderna suele avanzar aumentando la capacidad de cálculo», afirma Vinayak Vinayak, candidato a doctorado en Ciencias de la Computación y coautor principal del estudio. «Pero algunos retos científicos requieren mejores cálculos matemáticos, no solo más capacidad de procesamiento».
El estudiante de doctorado Vinayak Vinayak se prepara para obtener una imagen de una muestra de cromatina, la forma agrupada que adopta el ADN en el núcleo. Crédito: Sylvia Zhang, Penn Engineering
¿Por qué las EDP inversas son tan difíciles?
Las ecuaciones diferenciales ayudan a los científicos a describir cómo cambian las cosas con el tiempo. Se utilizan para modelar desde el crecimiento de la población y las reacciones químicas hasta la transferencia de calor.
Las ecuaciones diferenciales parciales (EDP) van un paso más allá al describir cambios tanto en el tiempo como en el espacio. Los investigadores las utilizan para estudiar sistemas altamente complejos, como los patrones climáticos, el comportamiento de los materiales e incluso la organización del ADN dentro de las células.
Las ecuaciones diferenciales parciales inversas son especialmente complejas porque invierten el proceso habitual. En lugar de partir de reglas conocidas para predecir resultados, los científicos parten de datos observados e intentan descubrir la dinámica oculta que los origina.
“Durante años, hemos utilizado estas ecuaciones para estudiar cómo se organiza la cromatina, que es el estado plegado del ADN dentro del núcleo, en las células vivas”, explica Shenoy. “Pero nos topábamos constantemente con el mismo problema: podíamos observar las estructuras y modelar su formación, pero no podíamos inferir con fiabilidad los procesos epigenéticos que rigen este sistema, es decir, los cambios químicos que ayudan a controlar qué genes están activos. Cuanto más intentábamos optimizar el método existente, más claro resultaba que las propias matemáticas debían modificarse”.
El autor principal Vivek Shenoy, a la izquierda, y el coautor principal Vinayak Vinayak, a la derecha, muestran algunos de los principios matemáticos que sustentan las capas suavizantes. Crédito: Sylvia Zhang
Una nueva forma para que la IA maneje ecuaciones complejas
La clave del desafío reside en la diferenciación, un proceso matemático utilizado para medir el cambio. Las derivadas simples muestran la rapidez con la que algo aumenta o disminuye, mientras que las derivadas de orden superior capturan patrones más complejos.
La mayoría de los sistemas de IA que abordan ecuaciones diferenciales parciales inversas se basan en un proceso llamado diferenciación automática recursiva. Este proceso calcula repetidamente los cambios a lo largo de una red neuronal, que constituye la base de los modelos de IA modernos.
Sin embargo, este enfoque se vuelve inestable al trabajar con sistemas de orden superior o datos ruidosos. Además, puede requerir una enorme capacidad de procesamiento.
Los investigadores comparan el problema con ampliar repetidamente una línea irregular. Cada paso magnifica las imperfecciones y el ruido, lo que reduce la fiabilidad del cálculo final. El equipo se dio cuenta de que necesitaban un método para suavizar los datos antes de medir esos cambios.
El resultado de la obtención de imágenes de la cromatina, cuyo despliegue ahora puede describirse con mayor precisión utilizando capas suavizantes, tiene implicaciones para la comprensión del envejecimiento, la salud y la enfermedad. Crédito: Sylvia Zhang, Penn Engineering
La ciencia detrás de las “capas suavizantes”
Su solución se inspiró en los "suavizadores", herramientas matemáticas descritas por primera vez en la década de 1940 por el matemático germano-estadounidense Kurt Otto Friedrichs, quien posteriormente recibió la Medalla Nacional de Ciencia. Los suavizadores están diseñados para atenuar funciones ásperas o ruidosas.
Adaptando esta idea a la IA, el equipo creó una "capa suavizadora" que atenúa las señales antes de que el sistema calcule las derivadas.
«Inicialmente, supusimos que el problema radicaba en la arquitectura de la red neuronal», afirma Ananyae Kumar Bhartari, graduada del programa de maestría en Computación Científica de Penn Engineering y coautora principal del artículo. «Pero, tras ajustar cuidadosamente la red, finalmente nos dimos cuenta de que el cuello de botella era la propia diferenciación automática recursiva».
Según los investigadores, la nueva capa redujo drásticamente el ruido y mejoró la eficiencia computacional.
La implementación de una capa de suavizado, que atenuó la señal antes de medirla, redujo drásticamente tanto el ruido como el consumo de energía. «Esto nos permitió resolver estas ecuaciones de forma más fiable, sin la misma carga computacional», afirma Bhartari.
Comprender el ADN y las enfermedades
Una de las primeras aplicaciones de este nuevo método tiene que ver con la cromatina, la combinación compacta de ADN y proteínas que se encuentra dentro de las células y que controla el acceso a la información genética.
El laboratorio Shenoy estudia diminutos dominios de cromatina que ayudan a regular la actividad genética. Estas estructuras son increíblemente pequeñas, miden aproximadamente 100 nanómetros de diámetro, pero desempeñan un papel fundamental en la salud y la enfermedad.
“Estos dominios tienen tan solo 100 nanómetros de tamaño”, dice Shenoy, “pero dado que la accesibilidad determina la expresión genética, y la expresión genética rige la identidad, la función, el envejecimiento y las enfermedades celulares, estos dominios desempeñan un papel fundamental en la biología y la salud”.
El nuevo marco de inteligencia artificial podría ayudar a los científicos a inferir las tasas de reacción epigenética que impulsan estos cambios, revelando cómo evoluciona la cromatina con el tiempo e influye en la expresión génica.
“Si podemos rastrear cómo evolucionan estas tasas de reacción durante el envejecimiento, el cáncer o el desarrollo”, añade Vinayak, “esto crea el potencial para nuevas terapias: si las tasas de reacción controlan la organización de la cromatina y el destino celular, entonces alterar esas tasas podría redirigir las células a los estados deseados”.
Usos potenciales más allá de la biología
Los investigadores creen que las capas suavizantes podrían ser útiles también en muchas otras áreas de la ciencia. Los sistemas complejos en ciencia de materiales, mecánica de fluidos y aprendizaje automático científico a menudo implican datos ruidosos y ecuaciones de orden superior.
Este marco de trabajo podría proporcionar una forma más estable y computacionalmente eficiente de descubrir parámetros ocultos en estos sistemas.
“En definitiva, el objetivo es pasar de observar patrones complejos a descubrir cuantitativamente las reglas que los generan”, afirma Shenoy. “Si se comprenden las reglas que rigen un sistema, entonces existe la posibilidad de cambiarlo”.
__________
Referencia:
“Mollifier Layers: Enabling Efficient High-Order Derivatives in Inverse PDE Learning” por Vinayak Vinayak, Ananyae Kumar Bhartari y Vivek Shenoy, 9 de marzo de 2026, TMLR .
Este estudio se llevó a cabo en la Facultad de Ingeniería y Ciencias Aplicadas de la Universidad de Pensilvania y contó con el apoyo de la subvención U54CA261694 del Instituto Nacional del Cáncer (NCI) (VBS); la subvención CMMI-154857 del Centro de Mecanobiología de Ingeniería (CEMB) de la Fundación Nacional de Ciencias (NSF) (VBS); la subvención DMS-2347834 de la NSF (VBS); las subvenciones R01EB017753 (VBS) y R01EB030876 (VBS) del Instituto Nacional de Imágenes Biomédicas y Bioingeniería (NIBIB) y la subvención R01GM155943 (VBS) del Instituto Nacional de Ciencias Médicas Generales (NIGMS).
_______
Fuente:
