Esta IA aprendió las leyes de la física y podría acelerar los avances en la computación cuántica
Estudiar física puede ser muy útil, incluso en el ámbito del aprendizaje automático. Un "supercerebro" digital con conocimiento integrado de las leyes fundamentales de la naturaleza puede acelerar el desarrollo de componentes ópticos para todo tipo de aplicaciones, desde ordenadores cuánticos hasta lentes de gafas o cámaras, según un nuevo estudio de la Universidad Tecnológica de Chalmers en Suecia. Crédito: Universidad Tecnológica de Chalmers | Viktor Lilja
Scitechdaily.com/
Universidad Tecnológica de Chalmers/17 de junio de 2026
Investigadores suecos han desarrollado un método de aprendizaje automático que incorpora las leyes de la física directamente en las redes neuronales.
Un nuevo estudio de la Universidad Tecnológica de Chalmers en Suecia demuestra que el aprendizaje automático puede ser mucho más eficiente cuando parte de un conocimiento básico de las leyes de la física. Los investigadores descubrieron que dotar a un sistema de IA de este conocimiento fundamental redujo drásticamente el tiempo necesario para desarrollar componentes ópticos avanzados utilizados en tecnologías que van desde ordenadores cuánticos hasta lentes de cámaras y gafas.
“Cuando alimentamos al supercerebro con información sobre las leyes de la física, inmediatamente se volvió mucho más inteligente. Nuestros cálculos ahora toman una décima parte del tiempo que requerían antes”, dijo Philippe Tassin, profesor del Departamento de Física y Astronomía de la Universidad Tecnológica de Chalmers.
Philippe Tassin, profesor del Departamento de Física y Astronomía de la Universidad Tecnológica de Chalmers, Suecia. Crédito: Universidad Tecnológica de Chalmers | Anna-Lena Lundqvist
El equipo de Tassin trabaja en nanofotónica, un campo centrado en el control de la luz a escalas extremadamente pequeñas. Cuando la luz interactúa con estructuras más pequeñas que su longitud de onda, puede comportarse de forma muy diferente a como lo hace a escalas mayores. Sin embargo, los materiales ópticos naturales tienen limitaciones que restringen la forma en que se puede manipular la luz. Para superar estas limitaciones, los investigadores utilizan simulaciones por ordenador para diseñar materiales ópticos artificiales.
Estos materiales diseñados podrían dar lugar a lentes para cámaras y gafas más ligeras, delgadas y eficaces. La investigación también podría impulsar futuras tecnologías de computación cuántica . En colaboración con científicos del Departamento de Microtecnología y Nanociencia de Chalmers, donde se está desarrollando el primer ordenador cuántico a gran escala de Suecia, el equipo explora materiales nanoestructurados capaces de controlar con precisión el movimiento de la luz.
Una posible aplicación consiste en transmitir información entre ordenadores cuánticos, o a través de distancias mayores, utilizando frecuencias ópticas y cristales fotónicos mecánicamente flexibles. Estos cristales, diseñados especialmente, pueden reflejar la luz con una eficiencia extremadamente alta.
Las simulaciones muestran cómo diseñar el material de forma óptima
Los investigadores se basan exclusivamente en simulaciones con supercomputadoras, utilizando aprendizaje automático y redes neuronales para analizar el comportamiento de diferentes materiales. Estas herramientas ayudan a identificar las propiedades de los materiales y a orientar el proceso de diseño.
“Conozco las ecuaciones del electromagnetismo al dedillo y las enseño, pero aún no puedo llegar a todas las conclusiones que sí puede la red neuronal. La física es tan compleja que no comprendo las propiedades de un material con solo mirarlo, pero la computadora sí”, afirma Philippe Tassin.
Introducir datos en redes neuronales lleva mucho tiempo
El entrenamiento de redes neuronales para estas simulaciones tradicionalmente ha requerido enormes cantidades de datos. Crear un solo dato puede llevar entre diez minutos y una hora, y los investigadores pueden necesitar hasta 40 000 simulaciones.
“Podría llevarnos un mes entero generar suficientes datos para entrenar la red neuronal. Y si luego te das cuenta de que necesitas añadir más elementos, puede llevar otro mes”, dijo Viktor Lilja, estudiante de doctorado del Departamento de Física y Astronomía de la Universidad Tecnológica de Chalmers.
Viktor Lilja, estudiante de doctorado, Departamento de Física y Astronomía, Universidad Tecnológica de Chalmers, Suecia. Crédito: Universidad Tecnológica de Chalmers.
El equipo ha logrado reducir ese proceso a aproximadamente una décima parte del tiempo original. Tareas que antes requerían 30 días ahora se pueden completar en unos tres días, ya que la red neuronal comprende los principios físicos clave antes de que comience el entrenamiento.
Enseñar a la red neuronal las leyes de la física
Los investigadores reconocieron que los componentes ópticos siempre deben seguir las leyes de la física y el electromagnetismo. En lugar de obligar a la red neuronal a descubrir esas reglas únicamente a partir de los datos de entrenamiento, incorporaron las leyes directamente al sistema.
Como resultado, la IA ya no tiene que reaprender las mismas relaciones físicas desde cero cada vez. Este enfoque surgió cuando los investigadores intentaban facilitar la interpretación humana de las predicciones de la red mediante la incorporación de ecuaciones familiares al modelo. Durante las pruebas, descubrieron que la red también se volvió significativamente más capaz y requería muchos menos datos de entrenamiento. El trabajo se describió en la revista Laser & Photonics Reviews.
“Una vez entrenada la red, podíamos pedirle que examinara cualquier estructura y obtener sus propiedades ópticas en un milisegundo. Con estas nuevas redes, obtenemos mejores estimaciones y evitamos errores evidentes”, dijo Lilja.
Para Tassin, la mayor ventaja es el tiempo ahorrado
“Ahora que podemos trabajar mucho más rápido, podemos acelerar el desarrollo del diseño de componentes ópticos.”
__________
Referencia:
“Un marco general para la integración del conocimiento en el aprendizaje automático para la dispersión electromagnética mediante modos cuasinormales”, por Viktor A. Lilja, Albin J. Svärdsby, Timo Gahlmann y Philippe Tassin, 17 de marzo de 2026, Laser & Photonics Reviews .
______________________________
La investigación fue financiada por el Área de Avance en Nanotecnología de Chalmers, el Consejo Sueco de Investigación y la Fundación Knut y Alice Wallenberg. El entrenamiento de la red neuronal se llevó a cabo utilizando recursos proporcionados por la Infraestructura Nacional Sueca para la Computación (NAISS) en Chalmers/C3SE y KTH/PDC, con financiación parcial del Consejo Sueco de Investigación. Parte del trabajo se realizó en el centro de competencia META-PIX de Chalmers.
___________
Fuente:
