Un equipo multidisciplinario de investigadores, que incluye a expertos de la Universidad de Cambridge, ha desarrollado un enfoque innovador en el ámbito de la inteligencia artificial (IA). A diferencia de modelos populares como ChatGPT, que se entrenan con textos e imágenes, estos nuevos modelos están diseñados específicamente para trabajar con datos científicos reales, centrándose en la física.
Recientemente, los miembros de la colaboración Polymathic AI presentaron dos modelos de IA, denominados Walrus y AION-1, que utilizan conjuntos de datos científicos para abordar problemas en astronomía y sistemas fluidos. Estos modelos son capaces de aplicar el conocimiento adquirido en un tipo de sistema físico a problemas completamente diferentes. Por ejemplo, Walrus puede analizar desde estrellas en explosión hasta señales Wi-Fi y el movimiento bacteriano.
La capacidad interdisciplinaria de estos modelos promete acelerar los descubrimientos científicos, proporcionando a los investigadores una ventaja significativa cuando se enfrentan a muestras pequeñas o presupuestos limitados. Así lo expresó Michael McCabe, científico investigador y desarrollador principal de Walrus: “Quizás tengas nueva física en tu escenario que tu campo no está acostumbrado a manejar, y simplemente no puedes dedicar tiempo a explorar todos los posibles modelos que podrían ajustarse a tu situación”.
Nuevos Horizontes en IA Científica
El equipo Polymathic AI anunció recientemente Walrus en un preprint en arXiv.org y presentó AION-1 en la conferencia NeurIPS, celebrada en San Diego. Ambos modelos son considerados ‘modelos fundamentales’, ya que se entrenan utilizando enormes conjuntos de datos provenientes de diversas áreas de investigación o experimentos, lo cual contrasta con la mayoría de los modelos de IA en ciencia, que suelen enfocarse en subcampos específicos.
A diferencia de aprender sobre situaciones particulares o partir de ecuaciones fundamentales, estos modelos fundamentales aprenden las bases o fundamentos de los procesos físicos involucrados. Dado que estos procesos son universales, el conocimiento adquirido por la IA puede aplicarse a múltiples campos o problemas que comparten principios físicos subyacentes. Esto ofrece numerosas ventajas: desde acelerar cálculos hasta funcionar eficazmente con pocos datos y detectar similitudes físicas entre diferentes disciplinas.
Walrus se especializa en fluidos y sistemas similares. Utiliza un conjunto masivo llamado Well, recopilado por el equipo Polymathic AI, que abarca 19 escenarios distintos y 63 campos dentro de la dinámica de fluidos. Este conjunto contiene 15 terabytes de datos que describen parámetros como densidad, velocidad y presión en sistemas físicos tan variados como estrellas neutronas fusionándose, ondas acústicas y capas cambiantes en la atmósfera terrestre.
Impulsando el Futuro del Conocimiento Científico
Dr. Miles Cranmer, miembro del equipo Polymathic AI y parte del Departamento de Matemáticas Aplicadas y Física Teórica e Instituto de Astronomía de Cambridge, comentó: “Me sigue asombrando el hecho de que un modelo fundamental multidisciplinario funcione tan bien”. Esta afirmación refleja uno de los motivos iniciales para crear Polymathic AI.
Dr. Payel Mukhopadhyay, también del mismo departamento, añadió: “Walrus representa un paso emocionante hacia la construcción de un modelo generalista para simulaciones basadas en física”. Su deseo es que tanto científicos como investigadores en aprendizaje automático adapten Walrus a sus necesidades específicas sin tener que volver a entrenar un modelo desde cero.
AION-1 se entrena con datos procedentes de encuestas astronómicas masivas como el Sloan Digital Sky Survey (SDSS) y Gaia, acumulando más de 200 millones de observaciones sobre estrellas, cuásares y galaxias. Este modelo utiliza imágenes y espectros para aprender sobre objetos astronómicos; así, cuando un científico obtiene una imagen baja resolución de una galaxia, AION-1 puede extraer información adicional basada en su conocimiento previo sobre millones de otras galaxias.
Eficiencia y Accesibilidad para Científicos
Tanto AION-1 como Walrus pueden aplicar conocimientos obtenidos en casos diferentes para aprender sobre nuevas situaciones. “La combinación sensorial —en lugar del uso aislado— proporciona una comprensión más completa”, explicaron los miembros del equipo AION-1. Esto permite a los científicos contar con un punto inicial al realizar nuevos experimentos u observaciones.
Shirley Ho, investigadora principal del Polymathic AI, comparó esta capacidad al conocer muchas personas: “Cuando conoces a un nuevo amigo, gracias a las experiencias previas puedes anticipar cómo será esa persona comparada con tus amigos anteriores”. Este enfoque facilita enormemente la vida científica al optimizar el procesamiento de datos.
Dado que los científicos ya no tendrán que crear marcos nuevos para cada proyecto o tarea específica, podrán comenzar con una IA previamente entrenada como base. Según Liam Parker, investigador principal del AION-1: “Nuestra visión es permitir que cualquiera empiece desde una representación poderosa del dato que le interesa … logrando precisión sin necesidad de construir toda la infraestructura desde cero”. El objetivo final es proporcionar herramientas útiles para apoyar la investigación diaria.
Si (
No(
