Investigadores de Caltech usaron PyTheus, un software de diseño experimental basado en IA, para proponer configuraciones ópticas inesperadas que podrían elevar la sensibilidad de los detectores LIGO entre 10% y 15%. Los diseños —al principio “incomprensibles” para los físicos— fueron entendidos después y probados conceptualmente; uno de los enfoques ya encontró respaldo experimental en un laboratorio en China en diciembre de 2024.
De la física tradicional a las soluciones que no se le ocurren a nadie
Detectar ondas gravitacionales exige medir cambios de distancia extraordinariamente pequeños: en cada detector de LIGO (con brazos de 4 kilómetros) las variaciones que se buscan son menores que el ancho de un protón. Superar esos límites ha requerido décadas de optimizaciones en diseño, ruido y controles. Tras la primera detección en 2015, el desafío siguió: ¿cómo ampliar la banda de frecuencias y la sensibilidad para captar fenómenos aún no imaginados?
Rana Adhikari, físico del California Institute of Technology (Caltech), y su equipo decidieron recurrir a la inteligencia artificial. Emplearon PyTheus, un software creado por el físico Mario Krenn para diseñar experimentos de óptica cuántica, y le dieron al sistema todos los componentes posibles —lentes, espejos, láseres y caminos ópticos— para que explorara configuraciones complejas sin restricciones humanas.
Diseños “alienígenas” que funcionan
“Los outputs que nos daba eran realmente incomprensibles para la gente”, reconoció Adhikari. “Eran demasiado complicados y parecían cosas alienígenas o de IA. Nada que un humano hubiera hecho, porque no tenían sentido de simetría o belleza; eran un desastre.” Pese a la primera impresión, los diseños resultaron efectivos.
Tras meses de análisis, el equipo entendió el truco: la IA había propuesto, entre otras cosas, añadir un anillo adicional de 3 kilómetros entre el interferómetro principal y el detector para hacer circular la luz antes de que saliera de los brazos del sistema. Esa arquitectura explotaba principios teóricos identificados por físicos rusos décadas atrás para reducir el ruido cuántico, pero que nadie había llevado a la práctica experimental.
“Si las ideas de la IA hubieran estado disponibles cuando se construyó LIGO, hubiéramos tenido una sensibilidad 10–15% mejor desde el inicio”, afirmó Adhikari. En el contexto de mediciones subprotónicas, un 10–15% es una mejora enorme.
Confirmaciones y precedentes: de la mesa al laboratorio
El uso de IA para diseñar experimentos no es solo anécdota. El grupo de Mario Krenn también aplicó su enfoque para optimizar esquemas de entrelazamiento en óptica cuántica: PyTheus generó configuraciones muy distintas a las clásicas, y en diciembre de 2024 un equipo en China liderado por Xiao-Song Ma construyó una de esas propuestas y la confirmó experimentalmente.
Como explica Krenn, el algoritmo representa experimentos con grafos y luego optimiza parámetros hasta que la salida coincide con un estado cuántico deseado. “Cuando me lo mostraron, estábamos confundidos —pensé que debía estar mal—”, relató Krenn sobre un diseño que, matemáticamente analizado, resultó válido y más simple que la propuesta original de 1993 en entanglement swapping.
¿Qué encuentra la IA y qué falta aún?
Más allá de la ingeniería de LIGO, los modelos de IA están extrayendo patrones no triviales en datos complejos: por ejemplo, algoritmos que identificaron simetrías (Lorentz) en datos del Gran Colisionador de Hadrones o que propusieron una ecuación para describir la densidad de cúmulos de materia oscura que se ajusta mejor a observaciones.
Sin embargo, los investigadores insisten en los límites actuales. Kyle Cranmer (University of Wisconsin-Madison) señaló: “Ahora mismo diría que es como enseñar a un niño a hablar —estamos haciendo mucha vigilancia (‘baby-sitting’)”. Y añadió: “El modelo llega a una fórmula que describe los datos muy bien, pero le falta la historia sobre cómo se llega a eso”. Es decir: la IA puede generar soluciones y patrones, pero todavía no explica el mecanismo físico subyacente con la narrativa conceptual que exige la física teórica.
Al mismo tiempo, hay optimismo: Rose Yu (UC San Diego) mostró que sin conocimiento previo el modelo halló simetrías fundamentales en datos del LHC. “Demostramos que, sin saber nada de física, el modelo puede descubrir la simetría de Lorentz únicamente a partir de los datos”, dijo Yu.
Implicancias para la investigación y la industria científica
Estos casos ilustran un nuevo rol para la IA: no reemplaza al físico, sino que amplía su capacidad creativa. Los humanos siguen “haciendo mucha vigilancia”, interpretando, simplificando y validando las propuestas algorítmicas. Pero cuando la IA explora combinaciones que la intuición humana descarta por ser “feas” o contraintuitivas, emerge la posibilidad de saltos experimentales reales.
“LIGO es esto: una cuestión en la que miles de personas han pensado profundamente durante 40 años”, sintetiza Aephraim Steinberg (University of Toronto). “Que algo nuevo aparezca es la demostración de que la IA puede conseguir lo que miles de personas no lograron.” Y, como concluye la comunidad, quizá estemos cruzando un umbral: la IA ya no solo ayuda a analizar datos, sino que propone experimentos originales —y, en algunos casos, eficaces— que podrían acelerar descubrimientos en física en las próximas décadas.