Investigadores de la Universidad de Viena emplean la IA para estudiar cómo se produjo el Big Bang y cómo se comportaron las partículas en dicho momento.
Difícilmente podría ser más complicado: diminutas partículas zumban salvajemente con una energía extremadamente alta, se producen innumerables interacciones en el enredo de partículas cuánticas, y esto da lugar a un estado de la materia conocido como «plasma de quark-gluones». Inmediatamente después del Big Bang, todo el universo se encontraba en este estado; hoy en día se produce mediante colisiones de núcleos atómicos de alta energía, por ejemplo en el CERN.
Estos procesos sólo pueden estudiarse con ordenadores de alto rendimiento y simulaciones informáticas muy complejas cuyos resultados son difíciles de evaluar. Por ello, utilizar la inteligencia artificial o el aprendizaje automático para este fin parece una idea obvia. Sin embargo, los algoritmos ordinarios de aprendizaje automático no son adecuados para esta tarea. Las propiedades matemáticas de la física de partículas requieren una estructura muy especial de las redes neuronales. En la Universidad Técnica de Viena se ha demostrado que las redes neuronales pueden utilizarse con éxito para estas difíciles tareas de la física de partículas.
Redes neuronales
«Simular un plasma de quarks-gluones de la forma más realista posible requiere un tiempo de computación extremadamente grande», afirma el Dr. Andreas Ipp, del Instituto de Física Teórica de la Universidad de Viena. «Incluso los mayores superordenadores del mundo se ven desbordados por ello». Por tanto, sería deseable no calcular con precisión cada detalle, sino reconocer y predecir ciertas propiedades del plasma con la ayuda de la inteligencia artificial.
Por eso se utilizan redes neuronales, similares a las que se emplean para el reconocimiento de imágenes: Las «neuronas» artificiales se enlazan en el ordenador de forma similar a las neuronas del cerebro, y así se crea una red que puede reconocer, por ejemplo, si se ve o no un gato en una determinada fotografía.
Sin embargo, la aplicación de esta técnica al plasma de quarks-gluones plantea un grave problema: los campos cuánticos utilizados para describir matemáticamente las partículas y las fuerzas entre ellas pueden representarse de distintas maneras. «Esto se conoce como simetrías gauge», dice Ipp. «El principio básico detrás de esto es algo con lo que estamos familiarizados: si calibro un dispositivo de medición de manera diferente, por ejemplo si uso la escala Kelvin en lugar de la escala Celsius para mi termómetro, obtengo números completamente diferentes, aunque esté describiendo el mismo estado físico. Algo parecido ocurre con las teorías cuánticas, salvo que allí los cambios permitidos son matemáticamente mucho más complicados». Los objetos matemáticos que parecen completamente diferentes a primera vista pueden, de hecho, describir el mismo estado físico.
«Si no se tienen en cuenta estas simetrías gauge, no se pueden interpretar con sentido los resultados de las simulaciones por ordenador», afirma el Dr. David I. Müller. «Enseñar a una red neuronal a averiguar estas simetrías gauge por sí sola sería extremadamente difícil. Es mucho mejor empezar diseñando la estructura de la red neuronal de forma que la simetría gauge se tenga en cuenta automáticamente, de forma que diferentes representaciones del mismo estado físico produzcan también las mismas señales en la red neuronal», dice Müller. «Eso es exactamente lo que hemos conseguido hacer ahora: Hemos desarrollado capas de red completamente nuevas que tienen en cuenta automáticamente la invariabilidad del calibre». En algunas aplicaciones de prueba, se demostró que estas redes pueden aprender mucho mejor cómo tratar los datos de simulación del plasma de quarks-gluones.
