El Sol dibuja sin cesar garabatos de campos magnéticos en su superficie. Estos patrones no son meras ondulaciones, sino una escritura en la que la naturaleza ha cifrado advertencias sobre erupciones. Una erupción es una explosión que libera en minutos la energía de miles de millones de bombas nucleares, lanzando al espacio corrientes de plasma y radiación. Al llegar a la Tierra, estas perturbaciones del viento solar interrumpen el funcionamiento de satélites y redes eléctricas. Predecirlas es una tarea de la que depende nuestra civilización tecnológica.

Los físicos conocen desde hace tiempo las leyes que relacionan campos magnéticos y electricidad — fueron formuladas por Michael Faraday y James Clerk Maxwell en el marco del electromagnetismo. Pero el carácter caprichoso del Sol resultó demasiado complejo para los cálculos directos. En su ayuda llegaron el aprendizaje automático y las redes neuronales convolucionales. Se entrenaron con miles de magnetogramas — mapas del campo magnético obtenidos con alta resolución mediante el instrumento de polarimetría del satélite SDO. La red aprendió a predecir erupciones, pero su lógica interna seguía siendo un secreto. Así surgieron los métodos de IA explicable (XAI). Uno de ellos, Grad-CAM, ilumina los píxeles de la imagen que más influyeron en el veredicto de la red. Resultó que la red neuronal no solo adivina: identifica sin error en las magnetogramas unas zonas especiales, denominadas 'regiones de enfoque del modelo' (MFR).

Un análisis posterior reveló un detalle asombroso. En las zonas MFR que inclinaban a la red hacia una respuesta de alerta, las polaridades magnéticas se distribuían asimétricamente: el área de una polaridad duplicaba aproximadamente a la de la otra. Los investigadores lo resumieron en un simple índice de desequilibrio polar: PII = |N₊ − N₋| / (N₊ + N₋). Vale cero en equilibrio perfecto y uno en dominio completo de un signo. Para las regiones 'propensas a erupciones', el PII fue de aproximadamente 0,33. Esto es una indicación precisa de una configuración propensa a la reconexión magnética — proceso en el que las líneas de campo se reordenan bruscamente, liberando energía acumulada. Por el contrario, las zonas que la red ignoraba eran casi unipolares, con un PII cercano a 1.

Así, las redes neuronales convolucionales captaron intuitivamente el principio físico sin haber tenido nunca un libro de texto de electrodinámica en sus manos. Este resultado convierte la XAI de herramienta de depuración en una ventana para descubrimientos científicos. Ahora, al observar los garabatos magnéticos, los científicos no solo pueden buscar indicios conocidos, sino también notar nuevos, detectados por el algoritmo. En el futuro, telescopios de nueva generación como DKIST y Solar Orbiter proporcionarán magnetogramas de resolución sin precedentes. Combinados con métodos más refinados de IA explicable, ayudarán a discernir las microestructuras que desencadenan una erupción. Otro camino es agregar series temporales para que la red aprenda de la evolución de la escritura magnética en las horas previas al evento.

Volviendo a la imagen de la escritura magnética, vemos cómo la máquina aprendió a leer el significado en patrones que parecían abstractos. Y esto no es solo una metáfora: estamos en el umbral de sistemas de alerta temprana que advertirán a pilotos, operadores de satélites y gestores de redes eléctricas sobre una tormenta solar inminente. Y en la ciencia fundamental, el método promete acercarnos a resolver por qué una región activa explota mientras otra, casi idéntica, permanece tranquila — el enigma clave de la física del sol.