En 2008, un grupo de físicos dedicó meses de tiempo de supercomputación para calcular una única magnitud en la teoría de la gravedad cuántica. Se trata de la amplitud de vértice de la espuma de espines, un número que determina la probabilidad de una transición cuántica local del espacio-tiempo. Estos cálculos son tan pesados que siguen siendo un cuello de botella para todo el campo.
Un traductor que aprende un idioma raro a partir de unas pocas frases comienza a adivinar el significado de oraciones desconocidas. De manera similar, una red neuronal aprende de un pequeño conjunto de datos precisos y luego predice valores para nuevas configuraciones. En el nuevo trabajo, la amplitud se reduce al símbolo 10j, una función de diez espines que caracterizan las caras de un tetraedro cuántico. Primero se generaron valores exactos con un algoritmo rápido en Python, y luego se entrenaron dos redes: una responde a la pregunta simple "¿cero o no cero?", y la segunda estima el logaritmo del cuadrado de la amplitud.
El clasificador resultó sorprendentemente robusto. Entrenado con datos de espín máximo 2.0, mantuvo una medida F1 de aproximadamente 0.99 incluso al probar con espín 2.5, es decir, fuera del rango de entrenamiento. El regresor, dentro de su dominio, dio un error relativo medio del 2.76% con jmax=1.0. Sin embargo, fuera de los datos de entrenamiento, sus errores fueron notablemente mayores, como un traductor que se pierde ante un dialecto que nunca había escuchado.
Esta es la primera vez que una máquina aprende directamente una magnitud fundamental de la gravedad cuántica. Antes, métodos similares aceleraban cálculos en química cuántica o analizaban la actividad cerebral, pero no abordaban la estructura del espacio-tiempo. Ahora se abre el camino a cálculos híbridos: la red neuronal selecciona rápidamente las configuraciones importantes, y los algoritmos exactos las verifican. En el futuro, esto acelerará la transición al modelo EPRL, más realista, que depende de un parámetro adicional y requiere aún más recursos.
El traductor que comienza con unas pocas frases va dominando gradualmente la gramática de un idioma raro. De igual modo, la red neuronal entrenada con espines pequeños empieza a comprender las regularidades del espacio-tiempo cuántico. Su vocabulario aún es limitado, pero los primeros pasos ya están dados.
Con un corte de jmax=2.0, el conjunto de entrenamiento constituyó solo el 1.7% de todas las configuraciones posibles (170 356 de 9 765 625), pero el clasificador alcanzó una precisión superior al 99% en su dominio y generalizó bien a jmax=2.5.
En la novela de Greg Egan, "La escalera de Schild", los físicos utilizan métodos computacionales para explorar la estructura fundamental del espacio-tiempo. El entrenamiento de redes neuronales para amplitudes de gravedad cuántica resuena con la idea de usar algoritmos para sondear las leyes del microcosmos.