Nuevo algoritmo de IA está diseñado para obedecer las leyes de la física

Tabla de contenido

Un equipo de investigadores de la Escuela Politécnica Federal de Lausana (EPFL, por École Polytechnique Fédérale de Lausanne) ha desarrollado un algoritmo de IA que puede modelar procesos dinámicos complejos teniendo en cuenta las leyes de la física, utilizando la tercera ley de Newton.

Vinay Sharma y Olga Fink, de la EPFL, han desarrollado un algoritmo de IA que puede modelar procesos dinámicos complejos. Crédito de la imagen: 2026 EPFL/Alain Herzog - CC-BY-SA 4.0

La inteligencia artificial ha permitido avances importantes en diversos campos, pero los modelos aún tienen dificultades para cumplir las leyes fundamentales de la física. Como humanos, sabemos intuitivamente que los objetos caen, rebotan y ejercen una fuerza, señala un artículo publicado en el sitio web de la EPFL. También podemos transferir fácilmente este conocimiento entre diferentes objetos y tamaños, pero las máquinas no tienen esa capacidad. Este es un problema particularmente limitante para científicos e ingenieros: incluso sus modelos de IA más sofisticados se pierden al intentar aplicar conceptos de física básica para predecir procesos complejos que evolucionan en el tiempo, como el movimiento del cuerpo humano, la colisión de partículas y los mecanismos de engranajes de equipos industriales y robots. Los modelos terminan realizando predicciones completamente incoherentes sobre el comportamiento de los sistemas físicos a medida que transcurre el tiempo y se acumulan errores. En el otro extremo, los modelos clásicos siguen las leyes de la física al pie de la letra, pero requieren una cantidad desproporcionada de tiempo de cálculo y potencia de procesamiento para sistemas con una amplia variedad de objetos e interacciones. y las simulaciones pueden no ser completamente consistentes con los sistemas reales y sus observaciones. Y los modelos clásicos requieren remodelación para afrontar condiciones o configuraciones de sistemas completamente nuevas.

Para proporcionar a los investigadores herramientas de IA más fiables, los científicos del laboratorio de Sistemas Inteligentes de Mantenimiento y Operaciones (IMOS) de la EPFL han desarrollado un algoritmo llamado Dynami-CAL GraphNet que permite a los modelos de IA obedecer continuamente las leyes de la física.

“Al incorporar la tercera ley de Newton, pasamos de un modelo de IA que intenta inferir el comportamiento físico a partir de los datos a uno diseñado para obedecer la física subyacente”. Vinay Sharma, estudiante de doctorado en el laboratorio IMOS

Incorporando la tercera ley de Newton a la arquitectura de IA
#

En el mundo físico, señala el artículo, es ineludible la tercera ley de Newton, que establece que toda acción tiene una reacción igual y opuesta. Al caminar, empujamos el suelo para avanzar; al lanzar una pelota contra la pared, rebota; y al arrancar un motor, la fuerza resultante provoca un movimiento en dirección opuesta. La ley de Newton es un pilar de la física y se aplica universalmente: tanto a moléculas y granos de arena, como a cuerpos y máquinas humanas. El algoritmo de IA utilizado por los investigadores de IMOS es una red neuronal de grafos (GNN), o un tipo de modelo en el que los objetos que interactúan están representados por nodos y las interacciones entre ellos por aristas en una red. Esto hace que las GNN sean especialmente adecuadas para modelar sistemas compuestos por varios componentes que interactúan. Para Dynami-CAL GraphNet, los investigadores integraron la tercera ley de Newton directamente en la arquitectura de IA, garantizando que el algoritmo produzca predicciones físicamente consistentes y evitando estimaciones de fuerza poco realistas o incoherentes, incluso en situaciones nunca antes vistas.

“Pasamos de un modelo de IA que usa estadísticas para intentar adivinar el comportamiento físico de los objetos a un modelo diseñado para seguir dicho comportamiento”, afirmó Vinay Sharma, estudiante de doctorado en el laboratorio IMOS. “Nuestro enfoque no puede reemplazar todas las ecuaciones físicas, pero sí puede garantizar que las interacciones se modelen de forma coherente y permitir a los investigadores realizar simulaciones estables y creíbles”, detalló.

“La mayoría de los otros modelos fallan después de unas pocas iteraciones, pero Dynami-CAL GraphNet puede modelar más de 16.000 pasos seguidos sin desviarse de las leyes de la física”. Profesora Olga Fink, jefa del laboratorio IMOS

Dado que la tercera ley de Newton es universal, su enfoque no depende de la escala ni del tipo de sistema. «Eso es lo que permite a nuestro modelo no solo generalizar (es decir, aplicar lo aprendido a situaciones similares), sino también extrapolar, generando predicciones fiables en situaciones completamente nuevas», afirmó la profesora Olga Fink, titular del laboratorio IMOS. “Esta extrapolación es algo que los algoritmos de aprendizaje automático rara vez realizan con éxito”. Dynami-CAL GraphNet, a diferencia de otros modelos de IA, puede gestionar eficazmente sistemas que involucran una gran cantidad de objetos, velocidades más altas, configuraciones inusuales y entornos diferentes. “La mayoría de los otros modelos divergen después de unas pocas iteraciones, mientras que Dynami-CAL GraphNet permanece estable durante más de 16.000 pasos consecutivos respetando las leyes de la física”, afirmó Fink.

Los investigadores de IMOS probaron su algoritmo en escenarios reales. Comenzaron modelando colisiones entre esferas granulares, como las que se encuentran en un silo o una mezcladora industrial, donde miles de partículas colisionan, ruedan, rebotan y rozan contra paredes móviles. Entrenado con tan solo cuatro simulaciones de sistemas simples con docenas de partículas contenidas en una caja fija, Dynami-CAL GraphNet logró extrapolar los resultados a miles de partículas contenidas en una mezcladora con paredes cilíndricas giratorias. El sistema también se probó con movimiento humano y logró predecir la marcha de una persona utilizando datos simples de captura de movimiento y sin necesidad de información sobre la fuerza ejercida por el suelo. “También examinamos el rendimiento del sistema a escala microscópica modelando la dinámica de las moléculas de proteína en un disolvente”, afirmó Sharma. “Predijo con éxito las pequeñas deformaciones que se producen con el tiempo”.

Modelos de entrenamiento con muy pocos datos
#

Fink ve dos grandes ventajas en Dynami-CAL GraphNet. La primera es que puede entrenarse con muy pocos datos y aun así generalizarse a nuevas configuraciones de sistema, diferentes condiciones operativas y de contorno, así como a sistemas más grandes, siempre que las relaciones que lo rigen permanezcan inalteradas. “Por ejemplo, puede aprender la dinámica prediciendo un paso en el tiempo a partir de las posturas de una persona caminando, y luego inferir toda la trayectoria de movimiento futura”. La segunda es que su resultado, además de ser más estable y fiable, también es transparente e interpretable para los usuarios. Esto es importante porque los usuarios de un modelo informático necesitan saber cuándo y cómo se aplican las leyes de la física para evaluar correctamente y confiar en sus resultados. Y a diferencia de algunos modelos de IA que parecen cajas negras, Dynami-CAL GraphNet calcula magnitudes físicas como fuerzas, pares e intercambios de momento angular paso a paso, de forma que los usuarios puedan interpretarlas. “Todos los cálculos intermedios son coherentes con las leyes de la física”, afirmó Fink. Por ejemplo, un ingeniero que utilice nuestro sistema puede comprobar si se han seguido las leyes de conservación del momento lineal y angular. Esto es lo que genera confianza en un modelo, especialmente cuando se trata de sistemas críticos.

Cita
#

References
#

Vinay Sharma & Olga Fink, A physics-informed graph neural network conserving linear and angular momentum for dynamical systems. Nature Communications, January 15, 2026. DOI: 10.1038/s41467-025-67802-5

Referencias
#

Vinay Sharma y Olga Fink, Una red neuronal de grafos basada en la física que conserva el momento lineal y angular para sistemas dinámicos. Nature Communications, 15 de enero de 2026. DOI: 10.1038/s41467-025-67802-5

El artículo New AI algorithm is designed to obey the laws of physics, firmado por Cécilia Carron, fue publicado en la sección de noticias de la EPFL