La IA ayuda a calcular amplitudes de gravitones en gravedad cuántica

La física teórica se ha considerado durante mucho tiempo un reducto de la mente humana, un campo donde la intuición y años de formación especializada resultan insustituibles. Un nuevo preprint publicado por un grupo de investigadores cuestiona ese axioma: el gran modelo de lenguaje GPT-5.2 Pro ayudó por primera vez a derivar y verificar amplitudes de gravitones no nulas a nivel árbol en el marco de la gravedad cuántica. No es solo una curiosidad técnica: es una señal de que la inteligencia artificial empieza a trabajar de verdad en un terreno donde hasta ahora solo podía moverse un círculo reducido de especialistas.

Para entender la relevancia del resultado hace falta algo de contexto. Las amplitudes de dispersión son objetos matemáticos que describen las probabilidades de interacción entre partículas elementales. En la teoría cuántica de campos, calcularlas con los diagramas de Feynman clásicos es un proceso notoriamente laborioso: el número de términos crece factorialmente con el número de partículas implicadas.

El llamado método de amplitudes single-minus, una clase especial de configuraciones de helicidad en la que exactamente uno de los momentos externos tiene helicidad negativa, permite reducir de forma considerable el trabajo analítico. Sin embargo, hasta hace poco este método se aplicaba sobre todo a gluones en teorías gauge, como la cromodinámica cuántica. Extender el enfoque a los gravitones, las partículas que transmiten la interacción gravitatoria en la gravedad cuántica, era un problema distinto y nada trivial.

En términos teóricos, los gravitones son bastante más complejos que los gluones. Sus amplitudes de dispersión, incluso a nivel de diagramas de árbol y sin correcciones cuánticas, generan expresiones de un tamaño verdaderamente intimidante. Ahí entró GPT-5.

2 Pro. Los investigadores emplearon el modelo no como sustituto de un físico humano, sino como asistente analítico capaz de operar con cálculo simbólico, seguir largas cadenas algebraicas y comprobar la corrección de resultados intermedios. El modelo ayudó a derivar amplitudes concretas no nulas y las verificó contrastándolas con relaciones conocidas, en particular las relaciones de Kawabata-Luforo-Stevens, que vinculan las amplitudes gravitacionales con las de gauge.

Conviene subrayar que no se trató de simulación numérica ni de ajuste de parámetros: GPT-5.2 Pro trabajó con álgebra simbólica, la que tradicionalmente exige a una persona con cualificación profesional.

Esta distinción es fundamental. En los últimos años, las redes neuronales se han aplicado mucho en física para resolver ecuaciones diferenciales, optimizar estructuras moleculares o acelerar simulaciones. Pero todas son tareas en las que el modelo opera con números o aproxima funciones. El cálculo analítico en física teórica es otra historia muy distinta: exige manipular expresiones simbólicas y entender la estructura de las álgebras de Lie, el grupo de simetrías del problema y las restricciones físicas que se imponen al resultado. Que un modelo de lenguaje pueda hacer este trabajo con un nivel suficiente para figurar en un preprint científico supone un salto cualitativo en las capacidades de la tecnología.

Para la industria y la comunidad académica, el resultado abre varias perspectivas importantes. Primero, legitima el uso de los LLM en la ciencia teórica fundamental, un ámbito donde estas herramientas se veían antes con escepticismo. Segundo, señala un nicho concreto en el que los modelos de lenguaje aportan una ventaja real: no sustituir al científico, sino acelerar las etapas más rutinarias, aunque técnicamente complejas, del trabajo.

Las manipulaciones algebraicas engorrosas, que a un físico teórico pueden llevarle semanas, podrían reducirse a horas. Tercero, la publicación alimenta el debate sobre la verificación: ¿cómo debe tratar la comunidad los resultados obtenidos en parte con ayuda de la IA? Los autores, a juzgar por todo, apostaron por la transparencia al indicar explícitamente el papel de GPT-5.

2 Pro en el trabajo.

La gravedad cuántica sigue siendo uno de los grandes problemas sin resolver de la física fundamental. La teoría aún carece de confirmación experimental, y el aparato analítico necesario para desarrollarla es extremadamente complejo. Si los modelos de lenguaje pueden asumir parte de esa carga analítica, el ritmo de la investigación teórica podría acelerarse de forma notable.

No porque la IA entienda la física en sentido humano, sino porque sabe operar con enorme precisión y rapidez sobre las estructuras formales con las que la física se expresa. Es un preprint al que conviene seguir la pista: si los resultados superan la revisión por pares, es posible que estemos viendo el inicio de una nueva práctica de trabajo en la física teórica.