El aprendizaje automático hace tiempo que dejó de ser una simple herramienta: se está convirtiendo en un investigador que extrae por sí mismo las leyes de la naturaleza de los datos. Pero, ¿cómo llega la mente de silicio a la comprensión? Para espiar este proceso, los físicos recurrieron a un modelo de juguete pero profundo: la red de Ising, donde los espines bailan al dictado de la temperatura. La clásica tarea de la mecánica estadística, formulada nada menos que por Ludwig Boltzmann, resultó ser un campo de pruebas ideal. Un autocodificador (una red neuronal que comprime y reconstruye datos) se entrenó con millones de patrones de espines, y los científicos observaron sus metamorfosis con la meticulosidad de naturalistas.

El entrenamiento del autocodificador se asemeja a excavaciones arqueológicas. Primero, de la arena emergen muros masivos: esto es la magnetización, un parámetro de orden global que la red capta casi al instante. Luego, capa por capa, se desentierran mosaicos de pisos e inscripciones en ánforas: esto es la energía, correlaciones sutiles entre espines vecinos. El cambio de enfoque ocurre por sí solo, sin indicaciones: la red neuronal parece saber que primero debe captar la forma general y luego los detalles.

Los investigadores, manipulando la profundidad de la red y la tasa de aprendizaje, descubrieron dos regímenes dinámicos claros. Las redes poco profundas y las tasas de aprendizaje bajas cambian suavemente de la magnetización a la energía. Pero las arquitecturas profundas con alta tasa de aprendizaje se atascan, como una pala que choca contra roca. Solo producen un patrón promediado, sin llegar nunca a las correlaciones finas.

Este escenario recuerda a los efectos de vitrificación estudiados en la termodinámica cuántica: el sistema se congela en un estado no óptimo, sin alcanzar el mínimo global. Dentro de la red surge una estabilidad topológica: la forma del camino en el espacio latente no cambia, incluso cuando el error aún es grande, como si el plano de la ciudad ya estuviera esbozado y solo faltara construir las casas. Midiendo el error a diferentes escalas, los científicos rastrearon cómo la red incrementa su organización, reduciendo la entropía de sus predicciones. La robustez topológica recuerda al campo magnético global de un magnetar: la estructura se define antes de alcanzar la precisión.

Esta historia no trata solo de redes de espines. Apunta hacia un principio general: el aprendizaje de las redes neuronales puede entenderse como una cascada de rupturas de simetría, donde primero surgen conceptos globales y luego locales. Esta jerarquía acerca el aprendizaje automático a los fenómenos críticos estudiados por Lev Landau. Quizás los métodos del grupo de renormalización, afinados en transiciones de fase en superconductores y condensados de Bose-Einstein, permitan asomarnos a la caja negra de las redes profundas. Si aprendemos a guiar la autoorganización de conceptos, las redes neuronales podrán descubrir por sí solas leyes físicas en datos desconocidos, desde la turbulencia hasta los materiales cuánticos. A la larga, esto es un paso hacia un científico artificial que no solo reconoce patrones, sino que deduce ecuaciones. Pensadlo: quizá las leyes que consideramos fundamentales no son más que artefactos de grano grueso de una estructura aún más profunda, y algún día una red neuronal nos lo mostrará con claridad.