El agua de un río rodea las piedras, el aire se desvía alrededor del ala de un avión: estos movimientos se describen con ecuaciones que son difíciles de resolver incluso con una computadora potente. Las redes neuronales pueden aproximar estas soluciones, pero a menudo se equivocan cuando los datos se recogen solo en unos pocos puntos o están contaminados por ruido. La razón es que la red no percibe bien el equilibrio local de fuerzas: en algunos lugares la corriente se acelera, en otros se frena, y todo esto debe captarse a la vez.
Los autores del nuevo trabajo propusieron añadir al modelo un parámetro entrenable que llamaron «modulación de viscosidad». La viscosidad es una medida del rozamiento interno de un fluido: la miel fluye más lentamente que el agua porque tiene mayor viscosidad. En las ecuaciones del movimiento, la viscosidad aparece como factor multiplicador del término que representa la difusión (la propagación del momento). Ahora la red neuronal puede cambiar este factor en cada punto del espacio y del tiempo, ajustando la fuerza de fricción a las características del flujo. Es como si el río tuviera zonas con distinta densidad de agua y la red aprendiera a elegirlas.
Los experimentos en problemas bidimensionales (por ejemplo, el flujo de Kovasznay) mostraron que este enfoque estabiliza el entrenamiento y mejora la precisión al reconstruir el flujo a partir de datos escasos y ruidosos. La comparación con otras arquitecturas (GRU, atención) confirmó la ventaja del método. Es un paso hacia que las redes neuronales predigan de manera fiable el comportamiento de líquidos y gases en la ingeniería y la ciencia.
El agua del río mencionada al principio ahora puede modelarse con mayor precisión incluso a partir de observaciones fragmentarias, gracias a una viscosidad que se adapta al flujo.
La viscosidad del aire es tan baja que, sin tener en cuenta la turbulencia, los aviones no podrían despegar: la sustentación depende de una fina capa de aire sobre el ala, donde la fricción juega un papel clave.