En las colinas de Berkeley, California, un agente de inteligencia artificial está revolucionando los experimentos de física en el acelerador de partículas Advanced Light Source (ALS). Los investigadores del Laboratorio Nacional Lawrence Berkeley han implementado recientemente el Asistente de Acelerador, un sistema impulsado por un modelo de lenguaje grande (LLM) que tiene como objetivo mantener la investigación en rayos X en el camino correcto.
Este asistente, que utiliza una GPU NVIDIA H100 para acelerar el proceso de inferencia, se apoya en datos de conocimiento institucional del equipo de soporte del ALS y canaliza solicitudes a través de sistemas como Gemini, Claude o ChatGPT. Su capacidad para escribir código en Python y resolver problemas lo convierte en una herramienta esencial, ya sea operando de manera autónoma o con la intervención humana.
El desafío es considerable: el acelerador ALS envía electrones a velocidades cercanas a la luz en un recorrido circular de 200 yardas, emitiendo luz ultravioleta y rayos X que se dirigen a través de 40 líneas de haz para llevar a cabo aproximadamente 1,700 experimentos científicos al año. Este proceso es utilizado por científicos alrededor del mundo para estudiar disciplinas como la ciencia de materiales, biología, química, física y ciencias ambientales.
La Importancia del Asistente en Experimentos Científicos
Las interrupciones en los haces pueden durar desde minutos hasta días, dependiendo de la complejidad del problema, lo que puede paralizar experimentos científicos concurrentes. Con más de 230,000 variables de proceso en su sistema de control, cualquier fallo puede tener repercusiones significativas. “Es crucial que esta máquina esté operativa; cuando fallamos, hay 40 líneas esperando realizar experimentos”, afirma Thorsten Hellert, científico del Laboratorio y autor principal de un artículo sobre este innovador trabajo.
Anteriores al uso del Asistente, el personal debía identificar rápidamente las áreas problemáticas y reunir datos bajo presión extrema para restablecer el sistema. Sin embargo, este nuevo enfoque ofrece un modelo para aplicar sistemas impulsados por modelos lingüísticos grandes en aceleradores de partículas y otras infraestructuras científicas complejas.
El equipo investigador ha demostrado que el Asistente puede preparar y ejecutar experimentos físicos multietapa de manera autónoma, reduciendo el tiempo necesario para la configuración hasta en 100 veces.
Interacción Eficiente con el Sistema
Los operadores del ALS interactúan con el sistema mediante una interfaz de línea de comandos o Open WebUI. Esta última permite acceder a varios LLMs desde estaciones en la sala de control o incluso remotamente. El sistema utiliza Osprey, un marco desarrollado en Berkeley Lab para aplicar IA basada en agentes dentro de sistemas complejos.
Cada usuario es autenticado y el marco mantiene contexto y memoria personalizados entre sesiones. Esto permite gestionar múltiples tareas o experimentos simultáneamente. Las entradas son dirigidas al Asistente, que conecta con una base de datos que incluye más de 230,000 variables procesales y archivos históricos.
“Intentamos estructurar cada llamada al modelo lingüístico con todo conocimiento previo disponible hasta ese momento”, explica Hellert. La inferencia se realiza localmente utilizando Ollama o externamente a través del gateway CBorg, que gestiona solicitudes hacia herramientas externas como ChatGPT o Claude.
Aprovechando Capacidades Especializadas
Con el Asistente, los ingenieros pueden comenzar con un simple aviso describiendo su objetivo. El sistema aprovecha ejemplos cuidadosamente preparados y palabras clave relacionadas con las operaciones del acelerador para guiar el razonamiento del LLM. “Cada aviso se estructura con contexto relevante para que el modelo comprenda qué tipo de tarea está abordando”, menciona Hellert.
Una vez definido el objetivo, el agente combina sus capacidades especializadas —como encontrar variables procesales o navegar por el sistema— generando automáticamente scripts en Python para analizar datos o visualizar resultados. “Esto puede ahorrarte mucho tiempo; en nuestro artículo mencionamos dos órdenes de magnitud para tales avisos”, añade Hellert.
A medida que avanza este proyecto, Hellert planea crear una wiki donde se documenten los numerosos procesos necesarios para apoyar los experimentos. Estos documentos podrían permitir que los agentes gestionen las instalaciones autónomamente —con supervisión humana— durante experimentos críticos.
Impacto Científico Global
Aparte de optimizar operaciones industriales y del acelerador, los trabajos realizados en ALS facilitan descubrimientos científicos con impacto global. Los rayos X estables producidos allí respaldan investigaciones sobre salud pública, resiliencia climática y ciencias planetarias.
Durante la pandemia COVID-19, investigadores del ALS caracterizaron un anticuerpo raro capaz de neutralizar SARS-CoV-2. Experimentos realizados revelaron cómo ciertos bucles moleculares del anticuerpo se unen y desactivan la proteína espiga viral. Estos hallazgos apoyaron el desarrollo rápido de terapias efectivas contra múltiples variantes.
Además, investigaciones centradas en marcos organometálicos (MOFs) han sido fundamentales para estudios sobre captura sostenible de agua y dióxido de carbono; trabajos que llevaron al reconocimiento con el Premio Nobel 2025 en Química por su potencial transformador.
Asimismo, mediciones realizadas sobre muestras devueltas por la misión OSIRIS-REx ayudaron a trazar la historia química del asteroide Bennu, aportando evidencias sobre cómo estos cuerpos celestes pudieron haber transportado agua y precursores moleculares hacia la Tierra primitiva.
Si (
No(
