DeepMind de Google Resuelve Por Primera Vez Ecuaciones Centenarias de Navier-Stokes Usando IA

Por Josh Quittner

Durante siglos, las complejas matemáticas que describen el movimiento de líquidos y gases—desde el aire que fluye sobre el ala de un avión hasta las corrientes turbulentas del océano—han desconcertado a las mentes más brillantes del mundo. Estos principios están gobernados por un conjunto notoriamente difícil de ecuaciones diferenciales parciales (o EDP), conocidas como las ecuaciones de Navier-Stokes, que siguen siendo uno de los siete "Problemas del Premio del Milenio" sin resolver en matemáticas.

Ahora, investigadores del laboratorio de IA de Google, DeepMind, han demostrado un enfoque novedoso que está generando nuevos conocimientos.

Al entrenar un tipo de IA conocido como Red Neuronal Gráfica en simulaciones complejas de flujo de fluidos, el sistema fue capaz de descubrir "sorprendentes nuevas soluciones" a estos problemas centenarios. El logro "marca la primera vez que un modelo de machine learning ha sido utilizado para descubrir soluciones nuevas y verificables a una famosa EDP", según el equipo de DeepMind.

Esto no es solo una cuestión de curiosidad académica. Una comprensión más profunda de la dinámica de fluidos tiene profundas implicaciones del mundo real, impactando todo desde aerodinámica y predicción meteorológica hasta ingeniería naval y astrofísica, señalan los expertos.

La capacidad de modelar y predecir con mayor precisión el comportamiento de fluidos podría llevar al diseño de aviones y automóviles más eficientes en combustible, el desarrollo de modelos climáticos y meteorológicos más precisos, y nuevas innovaciones en numerosos campos científicos e industriales.

En el corazón del desafío están los fenómenos conocidos como "singularidades" o "explosiones", situaciones teóricas donde cantidades como velocidad o presión podrían volverse infinitas. Aunque aparentemente abstractos, estos escenarios ayudan a los científicos a entender los límites fundamentales de las ecuaciones. La IA de DeepMind demostró ser hábil en identificar patrones en los datos que llevaron al descubrimiento de una nueva familia de estas explosiones matemáticas, afirmó Google.

Los hallazgos de la IA fueron descritos como "más que solo una curiosidad científica", y desde entonces "han sido probados matemáticamente como correctos". Si es cierto, marca un paso significativo en cómo la inteligencia artificial puede ser aplicada a la ciencia fundamental. En lugar de simplemente procesar números más rápido que una supercomputadora, la IA actuó como un socio creativo, identificando patrones sutiles que guiaron a los matemáticos humanos hacia un descubrimiento verificable.

El proceso involucró entrenar a la IA para detectar conexiones y comportamientos en simulaciones de fluidos que podrían ser pasados por alto por observadores humanos. Según Yongji Wang, el primer autor del estudio y investigador postdoctoral en NYU, "Al integrar conocimientos matemáticos y lograr precisión extrema, transformamos las PINNS [Redes Neuronales Informadas por Física] en una herramienta de descubrimiento que encuentra singularidades esquivas".

Este enfoque colaborativo—donde la IA proporciona conocimientos y dirección que luego son probados rigurosamente por expertos humanos—está siendo aclamado como un potencial nuevo paradigma para la investigación científica. Sugiere un futuro donde los sistemas de IA trabajen junto a científicos para abordar desafíos de larga data en matemáticas, física e ingeniería que hasta ahora han estado fuera de alcance.

Mientras que la solución completa a las ecuaciones de Navier-Stokes sigue siendo un desafío monumental, este avance demuestra que la inteligencia artificial podría ser una herramienta clave para finalmente resolverlo.

Noticias recomendados