Redes neuronales en el colisionador: IA busca la física que no encargamos

Imagina que has construido el aparato más caro y complejo de la historia de la humanidad — un anillo de 27 kilómetros en la frontera entre Francia y Suiza — y se obstina en confirmar solo lo que sabes desde hace cincuenta años. Esta es exactamente la situación en la que se encontraron los físicos con el Gran Colisionador de Hadrones. El Modelo Estándar, que describe cómo funciona nuestro mundo, resultó ser asombrosamente preciso.

Predice las propiedades de las partículas con precisión de partes por billón, pero deja las preguntas principales sin respuesta: ¿qué es la materia oscura, a dónde fue la antimateria y por qué los neutrinos tienen masa? Es como si estuviéramos atrapados en una sala perfectamente limpia donde todo está ordenado en estantes, pero sabemos con certeza que detrás de la pared hay un almacén completo de cosas sin estudiar.

Durante mucho tiempo, los científicos buscaban cosas específicas. Por ejemplo, la supersimetría — una teoría que prometía un zoológico completo de nuevas partículas pesadas. Cuando el LHC se puso en marcha en 2008, los jóvenes estudiantes de posgrado estaban seguros de que la supersimetría literalmente "saltaría a sus caras" en el primer año de operación. Han pasado dieciocho años, y el entusiasmo se ha extinguido. Buscamos lo que esperábamos encontrar y no encontramos nada. Ahora la física de partículas está tomando un camino diferente, donde en lugar de la intuición humana y las teorías preconcebidas, entra en juego la inteligencia artificial — IA entrenada para buscar "simplemente algo extraño".

La herramienta clave aquí es el aprendizaje no supervisado, específicamente autoencodificadores. En la industria, se utilizan para detectar ataques de hackers: una red neuronal estudia el tráfico normal, lo comprime e intenta reconstruirlo. Si el tráfico cambia repentinamente, el algoritmo no puede reconstruirlo correctamente y levanta una alarma. Los físicos decidieron: reemplacemos las computadoras en la red con partículas elementales. Alimentamos la IA con datos sobre colisiones típicas, y cuando algo vuela a través del detector que la red neuronal no puede "reconocer" y comprimir, lo marca como una anomalía. Esto permite buscar física más allá del Modelo Estándar sin tener ni siquiera una idea aproximada de cómo debería verse.

El problema es que hay demasiados datos. El colisionador produce 40 millones de colisiones por segundo. Es imposible guardar tal volumen de información — los discos simplemente se quemarían. Entonces las decisiones sobre qué guardar y qué descartar deben tomarse instantáneamente. Aquí es donde entra el "hardware". Científicos del MIT y Fermilab aprendieron a empaquetar redes neurales en chips FPGA (matrices de puertas programables en campo). Estos sistemas analizan eventos en 80 nanosegundos. Eso es más rápido de lo que el cerebro humano puede darse cuenta de un destello de luz. Estamos literalmente creando un "genio digital" que ve el mundo de forma diferente y filtra la realidad en busca de grietas en el tejido del universo.

Pero incluso el algoritmo más inteligente es un riesgo. En la historia de la física, ya ha habido casos de "Oops-Leon" (descubrimientos falsos), cuando fluctuaciones estadísticas se confundían con nuevas partículas. Los físicos son gente cautelosa: para reclamar un descubrimiento, la probabilidad de error debe ser menor que uno en 3,5 millones. La IA puede encontrar una anomalía que resulte ser simplemente ruido en el detector o un cable mal conectado. Entonces la red neuronal aquí no reemplaza al físico, sino que trabaja como explorador. Dice: "Oye, mira en esta esquina, algo raro está sucediendo". Y luego la persona con lápiz y tiza tiene que decidir si es un Premio Nobel o solo un sensor defectuoso.

Por delante nos espera el proyecto DUNE — un detector gigante de neutrinos que atrapará partículas fantasma volando a través de 1.300 kilómetros de roca. Allí la IA filtrará 5 terabytes de datos por segundo buscando rastros de supernovas o desintegración de protones. Finalmente hemos admitido que nuestras teorías pueden ser gafas que no solo nos ayudan a ver, sino que también nos ciegan, ocultando colores a los que no estamos acostumbrados. Quizás la próxima gran verdad sobre el Universo sea descubierta no por un nuevo Einstein, sino por un algoritmo al que simplemente se olvidó decir que buscar partículas "imposibles" no se considera apropiado.

Conclusión clave: La física está pasando de probar teorías a la búsqueda de anomalías basada en máquinas. Si el Modelo Estándar cae, probablemente será bajo el asalto de algoritmos que funcionan a velocidades de nanosegundos.