Cuando las máquinas deciden qué importa: la IA busca nueva física en el flujo de datos del colisionador

Cada segundo, dentro del anillo de 27 kilómetros del Gran Colisionador de Hadrones se producen 40 millones de colisiones de partículas. La inmensa mayoría de esos eventos nunca se guardará. Durante décadas, los ingenieros han construido filtros que deciden qué registrar y qué descartar para siempre. Ahora esas decisiones, tomadas en fracciones de microsegundo, se confían cada vez más a redes neuronales. Y no se trata de acelerar tareas rutinarias, sino de intentar encontrar lo que los físicos ni siquiera saben cómo buscar.

La física de partículas atraviesa lo que los especialistas llaman con delicadeza una «crisis silenciosa». El Modelo Estándar, la teoría fundamental que describe las partículas y fuerzas conocidas, funciona sin fisuras. Cada nuevo experimento en el colisionador confirma sus predicciones con una precisión inquietante.

El problema es que el modelo es, sabidamente, incompleto: no explica la materia oscura ni la energía oscura, y no encaja con la gravedad. Los teóricos llevan décadas proponiendo extensiones: supersimetría, dimensiones adicionales, nuevas partículas. Los experimentales construyeron instalaciones gigantescas para ponerlas a prueba.

Pero, pese a los petabytes de datos acumulados, no ha habido ningún avance decisivo. Como señaló el periodista Matthew Hutson en IEEE Spectrum, «hay componentes clave de la realidad que estamos pasando por alto por completo».

Aquí es donde la inteligencia artificial entra en la ecuación, aunque no como cabría pensar. No es otra historia de «IA para todo» en la que la tecnología se limita a acelerar el procesamiento de datos o a automatizar tareas rutinarias. Los investigadores no piden a las redes neuronales que comprueben hipótesis existentes. Les piden que encuentren anomalías: cualquier desviación de lo esperado que pueda apuntar a una «nueva física» más allá del Modelo Estándar. En esencia, es aprendizaje no supervisado en estado puro: el algoritmo no sabe qué busca, y ahí está todo el sentido. En lugar de confirmar teorías nacidas de la imaginación humana, la máquina puede resaltar patrones cuya existencia nadie sospechaba.

La implementación técnica es una proeza de ingeniería por sí misma. Las redes neuronales que analizan los datos del colisionador no se ejecutan en potentes servidores de un centro de datos. Funcionan directamente en matrices de puertas programables (chips FPGA) conectadas a los detectores. Estos chips tienen memoria y potencia de cálculo limitadas, así que los modelos complejos hay que «comprimirlos» literalmente hasta un tamaño que quepa en la lógica del hardware. Hutson recoge una cita elocuente de un teórico dirigida a un ingeniero: «¿Cuál de mis algoritmos cabe en tu maldita FPGA?». Tras esa frase hay una tensión real entre las ambiciones de la ciencia y los límites del hardware.

Lo que ocurre ahora en el CERN se inscribe en una tradición de siglos. Cada instrumento de observación realmente nuevo en la historia de la ciencia no se limitó a responder preguntas existentes: permitió plantear otras nuevas. El telescopio de Galileo descubrió los satélites de Júpiter, cuya existencia nadie sospechaba. Los primeros microscopios abrieron mundos enteros de microorganismos invisibles a simple vista. Por analogía, la IA en los detectores del colisionador no es solo un filtro más rápido. Es una forma radicalmente nueva de mirar los datos, libre de los prejuicios y expectativas del experimentador. La máquina no sabe qué «debería» encontrar, y por eso puede notar lo que una persona descartaría como ruido.

La importancia de este enfoque va mucho más allá de la física de partículas. Si una red neuronal puede detectar anomalías desconocidas en un flujo de millones de eventos por segundo, el mismo principio vale para la astronomía, la genómica, la climatología y cualquier campo en el que el volumen de datos superó hace tiempo la capacidad de análisis humana. Estamos acostumbrados a pensar en la IA como una herramienta que responde a nuestras preguntas. Pero resulta mucho más interesante que la IA ayude a formular preguntas que no se nos habrían ocurrido.

Por supuesto, el enfoque tiene límites. Una anomalía en los datos aún no es un descubrimiento. Una red neuronal puede señalar una desviación estadística, pero solo una persona puede explicar su significado físico. Además, comprimir los modelos hasta el nivel de las FPGA conlleva inevitablemente una pérdida de precisión, y algunas señales sutiles se perderán de todos modos. Aun así, el planteamiento es impresionante. Si la crisis de la física actual no es tanto una falta de datos como una limitación de la imaginación humana, entregar a una máquina parte de las funciones de «observación» parece no una capitulación, sino una estrategia razonable. La IA no descubrirá la nueva física, pero bien puede mostrar a las personas dónde mirar.