Por Rafael Julivert Ramírez

La IA está en el centro de una tormenta que crece por la incertidumbre respecto a sus amenazas en cuanto a vulnerar sistemas de seguridad o su aceleración en la sustitución de la capacidad de trabajo humana. Pero entre sus aristas se encuentra también, como nos propone Rafael Julivert Ramírez, su dificultad «para interactuar con el mundo físico y material seguía siendo una asignatura pendiente».

LA INTELIGENCIA ARTIFICIAL ha demostrado ser una fuerza transformadora indiscutible en el procesamiento de texto y píxeles, pero su capacidad para interactuar con el mundo físico y material seguía siendo una asignatura pendiente. Las simulaciones mecánicas tradicionales, vitales para probar diseños antes de su fabricación, dependen de complejos «solucionadores numéricos» que requieren un coste computacional inmenso y una cantidad prohibitiva de datos especializados. Sin embargo, el reciente desarrollo de GeoPT, una innovadora arquitectura de preentrenamiento geométrico creada por investigadores del MIT y la Universidad de Tsinghua, marca un punto de inflexión fundamental hacia una IA con verdadera «intuición física».
El núcleo de este avance radica en una metodología brillante: las «dinámicas sintéticas». En lugar de saturar al modelo con costosos datos de ingeniería etiquetados desde el inicio, GeoPT fue preentrenado con más de 1,3 millones de muestras en 3D. En estas simulaciones simplificadas, millones de partículas virtuales impactan y se adhieren a diversas geometrías tridimensionales sin necesidad de recurrir a resoluciones físicas tradicionales. Este enfoque permite que la red neuronal internalice comportamientos físicos básicos, como la resistencia al impacto y el flujo de fuerzas, simulando la manera en que un niño aprende las reglas del mundo real jugando con canicas.
Los resultados prácticos de esta preeducación física son asombrosos. Al dotar al modelo de esta intuición básica, GeoPT logra alcanzar su rendimiento óptimo el doble de rápido y requiere hasta un 60 % menos de datos de entrenamiento que las alternativas líderes. En pruebas complejas, como la respuesta de los cascos de barcos ante las olas y las corrientes de aire, el modelo alcanzó la máxima precisión cuatro veces más rápido que otros sistemas de referencia. Además, ha demostrado una versatilidad impresionante al predecir la deformación de vehículos en colisiones, analizar la aerodinámica de aeronaves e incluso simular el comportamiento de la luz en geometrías nunca antes vistas por el sistema. Como señala Haixu Wu, investigador posdoctoral en el MIT, el modelo es capaz de generar simulaciones de alta fidelidad con más de 100 millones de puntos de malla en cuestión de segundos.
El verdadero valor de GeoPT va más allá de acelerar el flujo de trabajo de los ingenieros, al permitirles subir un modelo en 3D y visualizar, en cuestión de segundos, un mapa de calor del impacto de las fuerzas aplicadas. Como bien ha afirmado Minghao Guo, estudiante de doctorado del MIT CSAIL y coautor de la investigación, la física debe considerarse la «tercera modalidad» de la inteligencia artificial, al mismo nivel que las palabras y las imágenes. Al desacoplar el cálculo físico de las restricciones geométricas tradicionales mediante dinámicas sintéticas, GeoPT se postula como el cimiento de un verdadero «modelo fundacional de física».
Este cambio de paradigma promete abrir nuevas fronteras que van desde la predicción precisa de patrones climáticos atmosféricos hasta el diseño avanzado de materiales y la robótica. Al dotar a las máquinas de una suerte de sentido innato del mundo material, finalmente estamos cerrando la brecha entre la simulación digital pura y la realidad física de nuestro universo.

(*) Fuente:  Rafael Julivert Ramírez, «La física como tercera modalidad: la revolución de la IA en la ingeniería», texto republicado desde Masticadores, página nacida en Cataluña, que Jr Crivello dirige y con numerosos colaboradores en el mundo.