clasificador

Los antiguos mapas del tesoro se dibujaban a partir de rumores: alguien encontraba oro junto a un río, otro en las montañas, y cada uno cavaba en su propio sitio. Con los superconductores de alta temperatura ocurrió algo parecido: los cuprados se hallaron en unos compuestos, los pnicturos de hierro en otros, los niquelatos en unos terceros, y no había un mapa general.

Un intérprete se distrae con cada ruido en la sala, y una reunión de una hora se convierte en dos. Algo parecido ocurre con los modelos fundamentales moleculares: aprenden el lenguaje de las moléculas a partir de corpus enormes, pero para cada nueva conversación requieren un ajuste. Monroe cambia las reglas: no aprende un idioma nuevo, sino que capta al instante el sentido común a partir de unos pocos ejemplos.

En un vertedero a las afueras de la ciudad, el viento cambia de dirección y, un par de horas después, en el pueblo más cercano huele a huevos podridos. Así huele el sulfuro de hidrógeno, un gas que se libera cuando los residuos se descomponen y que en dosis altas es peligroso para la salud.

El instrumento ilumina la muestra con un haz infrarrojo y las moléculas responden con su patrón de absorción, como campanillas de distinto tono. Ese patrón, el espectro, guarda información sobre la composición química.

La galaxia NGC 4254 se encuentra a un millón y medio de años luz del centro del cúmulo de galaxias de Virgo. Arrastra tras de sí una larga cola de hidrógeno que se enfría, una señal de que se está precipitando a toda velocidad en el medio interestelar caliente.

Cada mañana docenas de telescopios apuntan al Sol. Sus cámaras captan una angosta banda de luz roja: la línea Hα, descubierta por Johann Jakob Balmer. En las imágenes aparecen hebras oscuras, caprichosamente curvadas. Parecen puntadas de un tapiz gigante que cose la corona ardiente. Son los filamentos solares.

Cien mil estrellas en el denso núcleo de un cúmulo globular se mueven como bolas de acero en una gigantesca máquina de pinball. Cada «empujón» —un encuentro gravitacional entre un sistema binario y una estrella solitaria— desencadena una cascada de eventos impredecibles.

La inteligencia artificial que predice la acústica de una sala se parece a un estudiante en un examen con una chuleta. Si los puntos de prueba son los mismos que los de entrenamiento, el modelo simplemente memoriza la 'huella sonora' de cada posición, como un estudiante que reconoce el examen por una esquina doblada.

En una olla de sopa, bastan dos termómetros para saber la temperatura en todas partes, si se sabe que el calor sube en círculos desde el fondo. Así ocurre en la ciencia: a partir de pocas mediciones hay que reconstruir la imagen completa del campo térmico.

Un niño que explora un apartamento desconocido gatea de un objeto a otro y recuerda lo que se ve desde cada rincón. Así, el cerebro construye un mapa mental: un modelo interno del espacio. El algoritmo gradCSCG funciona con el mismo principio: recibe un flujo de video de una cámara y dibuja de forma autónoma el esquema de la habitación, basándose únicamente en el cambio de las imágenes.

Tradicionalmente, los algoritmos de aprendizaje automático operan en un entorno estático, como agua que fluye por un cauce ya trazado sin cambiar su forma. El nuevo método invierte este paradigma: permite que el agente aprenda acciones y, al mismo tiempo, modifique el entorno en el que existe.

El oído humano está diseñado de tal manera que el cerebro destaca principalmente los patrones conocidos: la voz del interlocutor, el ruido de la lluvia, la bocina de un coche. Sin embargo, el nuevo sistema funciona con un principio diferente: detecta cualquier ráfaga sonora, incluso una que nunca antes se haya encontrado.

Los científicos tomaron 16 actividades cotidianas — desde lavar platos hasta hacer sentadillas — y descompusieron los movimientos en componentes elementales, como un espectroscopio descompone la luz en un espectro. Comparando tres enfoques, encontraron una clave inesperada para el reconocimiento: basta con un fotograma congelado promediado.

La tecnología compleja —desde drones hasta robots cirujanos— a veces se comporta como un mustang salvaje: llena de desorden y caprichos, donde un leve contacto provoca una tormenta. En lugar de memorizar fórmulas, el nuevo método observa el sistema como un jinete adiestrador.

Un detective experimentado no calcula la trayectoria de un criminal a partir de las leyes de la física: consulta el archivo de casos similares. Así funciona este nuevo método de predicción: en lugar de ecuaciones complejas, dispone de un enorme archivo de trayectorias ya ocurridas: movimientos planetarios, cotizaciones de divisas, señales del espacio.

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?

El cielo de rayos gamma captado por el telescopio Fermi es una grandiosa sinfonía de miles de fuentes. Aquí las pulsaciones rítmicas de púlsares, los potentes acordes de núcleos activos de galaxias, pero sobre todo objetos no identificados, cuya parte sigue siendo un misterio.

Las señales gravitacionales de estrellas masivas moribundas son susurros que nos llegan desde los laboratorios más violentos del Universo. Einstein predijo estas ondas gravitacionales hace más de un siglo, pero solo hoy, con detectores como LIGO, comenzamos a escucharlas.

Las profundidades del cosmos no callan: están llenas de mensajes cifrados. Cada estrella, cada cuásar emite su propio código de luz titilante: rítmico, como el morse de una cefeida, o caótico, como un cifrado hackeado de una supernova. Los astrónomos interceptan estas señales por millones cada noche, pero ¿cómo leerlas sin una clave?

Imagínese: una orquesta filarmónica toca, pero el micrófono solo capta un zumbido amalgamado — tutti, donde se mezclan contrabajos, flautas y timbales. Una tarea similar han resuelto los físicos durante décadas, escudriñando campos de densidad, temperatura o inducción magnética.

Los modelos estadísticos son un intento de tender una telaraña matemática perfecta sobre el paisaje irregular de los datos. Cuando el modelo se resiste, emite tensión, pero nos hemos acostumbrado a ignorarla. Los investigadores pasan horas escudriñando gráficos de residuos, tratando de adivinar dónde el modelo «cruje por las costuras». Squealer traduce esa resistencia en sonido.

Las erupciones solares son potentes explosiones en el Sol, capaces de inutilizar satélites y dejar sin electricidad a ciudades. Su predicción se complica por el entrelazamiento de los campos magnéticos en las manchas solares.

Las redes neuronales comunes aprenden de ejemplos, como una persona que memoriza melodías de oído. Pero las redes que tienen incorporadas las leyes físicas desde el principio se parecen a un músico que conoce las notas y la armonía: puede tocar una pieza nueva con solo unos cuantos acordes.

Buscar la molécula adecuada entre miles de millones de opciones es como buscar un grano de arroz en un saco lleno. Para no revisarlo todo a mano, los químicos recurren cada vez más a las redes neuronales. Pero los modelos grandes requieren ordenadores potentes, y a los pequeños a menudo les falta visión de conjunto.

El intérprete está en la sala de reuniones y traduce cada palabra. Pero de repente se da cuenta de que puede mejorar su traducción si aprende de sus errores. Empieza a anotar qué frases causaron malentendidos y las corrige. Al cabo de una hora, su traducción es más precisa y la reunión avanza más rápido.

Un laboratorio envía a un robot una lista de mil moléculas candidatas para un nuevo fármaco. El robot predictor, entrenado con datos antiguos, da para cada una una evaluación de 'apta o no apta'. Pero cuando la lista proviene de un área desconocida —otro virus o un tumor raro—, el robot empieza a confundirse. Su confianza sigue siendo alta, pero los aciertos reales caen a cero.

Un hervidor hirviendo con la tapa cerrada no muestra el burbujeo, pero el sonido y la vibración delatan la potencia de ebullición del воды.

Un fotógrafo fotografía un bosque nocturno e intenta capturar luciérnagas en el encuadre. Los destellos son raros, débiles, y alrededor hay ruido del viento y luces lejanas. Así funciona aproximadamente el enorme detector Hyper-Kamiokande en Japón: captura neutrinos —partículas casi intangibles— mediante diminutos destellos de luz en 260 mil toneladas de agua.

Se puede palpar un objeto desconocido a lo largo, a lo ancho, en diagonal — cada vez obteniendo información nueva. Pero ¿y si una forma de palpar no dijera absolutamente nada sobre lo que mostrará otra? Así funcionan las bases mutuamente imparciales en mecánica cuántica: medir en una de ellas nos deja en total ignorancia sobre el resultado en la otra.

Pruebas un plato en un restaurante, pero no has visto el menú. Le haces preguntas al camarero: ¿está muy salado? ¿qué especias tiene? — y por las respuestas intentas adivinar qué chef lo preparó.

Cada vez que dudas ante un paso arriesgado —si invertir en acciones o esperar—, en tu cabeza se desarrolla un diálogo interno. Normalmente, los científicos intentan reconstruir el curso de ese diálogo basándose únicamente en la elección final, como si un detective reconstruyera una conversación entre dos personas mirando una foto del lugar del encuentro.

Imagina un mapa urbano: las intersecciones son los nodos, las calles las conexiones. Para que un algoritmo entienda la estructura, cada nodo necesita una etiqueta. El enfoque clásico — el modelo estándar — asigna etiquetas simples, como números de casa.

En un laboratorio donde se estudian cristales, el técnico mira la pantalla con un salpicón de manchas brillantes y gira lentamente la muestra hasta que las manchas forman un patrón simétrico. Es como sintonizar una radio vieja: giras la perilla hasta que el ruido se convierte en señal clara. Ahora, esa perilla la puede girar una máquina.

La nariz es un aparato asombroso. Una molécula de café, al entrar en la fosa nasal, despierta el recuerdo de la cocina matutina. Otra, casi idéntica en forma, huele a huevos podridos.

El mejor asistente de IA para científicos ha salido peor en el examen que un estudiante mediocre en un control. Solo un 21% de respuestas correctas, y eso es el techo para los cuatro modelos más potentes. Los problemas de la nueva prueba no los escribieron programadores, sino estudiantes de posgrado: personas que lidian a diario con la ciencia real. La prueba se llama COMPOSITE-STEM.

El calor fluye a través de la materia como el agua por las tuberías: a veces rápido, a veces apenas. Los ingenieros buscan materiales que casi no dejan pasar el calor, como tuberías obstruidas. Estos aislantes son clave para el ahorro energético y los dispositivos que transforman calor en electricidad.

Los detectores de partículas, como las cámaras planas resistivas (RPC), funcionan como trampas sensibles: cuando una partícula cargada los atraviesa, se genera una señal eléctrica. Pero a veces la cámara produce un rastro falso, como si alguien invisible hubiera pulsado el timbre.

Un modelo típico de aprendizaje automático observa un objeto a la vez: un cerebro, un paciente, un motor. Pero los biólogos necesitan lo general: cómo está organizado el cerebro de una especie en su conjunto, no solo el de un pez concreto.

En una batería común, el electrolito es líquido y las partículas cargadas (iones) se mueven libremente. En la versión sólida, se abren paso a través de «corredores» atómicos, como peatones en pasajes estrechos. Para que la batería funcione rápido, se necesita un material con buena conductividad iónica.

El detector de partículas del Gran Colisionador de Hadrones funciona durante años sin detenerse. Sus sensores generan montañas de datos cada segundo, y entre ellos hay que notar rápidamente una avería, como un sobrecalentamiento o un canal roto. Antes se usaban reglas simples para vigilarlo, pero a menudo fallaban.