En el detector del Gran Colisionador de Hadrones, después de cada colisión de protones quedan miles de puntos: las trazas de las partículas que se dispersan. Una red neuronal aprendió a ver patrones en este dibujo y a predecir qué ocurrió en el momento del impacto. Ahora, la misma red se ha entrenado para mirar moléculas: en lugar de trazas de partículas, las posiciones de los átomos; y en lugar de la colisión, cómo se moverán e interactuarán esos átomos.

El secreto está en que se incorporó al modelo una regla: los átomos que están cerca entre sí influyen más que los lejanos. Es parecido a cómo los vecinos de un mismo rellano se ven más a menudo que los habitantes de distintos barrios. Gracias a esto, la red no solo memoriza imágenes, sino que percibe la física de las interacciones. Las pruebas mostraron que, incluso tras un pequeño ajuste, el modelo predice muy bien el comportamiento de las moléculas y, además, calcula notablemente más rápido que otros métodos.

Esta transferencia de conocimiento de la física de altas energías a la química es poco común. Pero si funciona, tenemos una herramienta universal: la misma arquitectura entiende tanto partículas subatómicas como moléculas de fármacos. Y eso significa que la búsqueda de nuevos materiales y medicamentos podría acelerarse muchísimo.