¿Qué pasaría si pudieras enseñar a un equipo de programas de IA a comportarse como estudiantes de posgrado, resolviendo problemas de diseño complejos y verificando el trabajo de los demás? Los ingenieros de la Universidad de Duke han hecho exactamente eso: crear un equipo de agentes de inteligencia artificial que pueden abordar complejos desafíos de física casi tan bien como los expertos humanos.
El sistema, descrito en ACS Photonics, representa un paso hacia la automatización de tareas de investigación especializadas que actualmente requieren años de formación. Si bien la IA no supera sistemáticamente a los estudiantes de doctorado, sus mejores soluciones se acercan notablemente y, en el trabajo de diseño, a menudo todo lo que se necesita es una respuesta excelente.
El proyecto comenzó con una conversación sobre modelado de reacciones químicas. Willie Padilla, profesor distinguido de ingeniería eléctrica e informática de Duke, Dr. Paul Wang, recuerda que un colega describió un problema espinoso que sabía que la IA podía resolver, pero que le faltaba tiempo para abordarlo él mismo. Eso lo hizo pensar: ¿y si los agentes de IA pudieran manejar estos problemas de forma independiente?
El desafío de las infinitas posibilidades
El problema específico que abordó el equipo de Padilla cae en una categoría llamada diseño inverso mal planteado. Imagínese saber exactamente lo que quiere construir, pero enfrentarse a innumerables formas de hacerlo sin ningún mapa que muestre qué camino conduce al éxito. Esa es la realidad diaria de los investigadores que diseñan metamateriales, estructuras sintéticas que manipulan la luz de una manera que los materiales ordinarios no pueden.
El laboratorio de Padilla había resuelto previamente este rompecabezas de metamateriales libres de metal utilizando redes neuronales profundas entrenadas en decenas de miles de puntos de datos simulados. Desarrollaron un método “neural adjunto” que trabaja hacia atrás desde un resultado deseado hacia soluciones óptimas. El proceso funcionó, pero requirió una considerable experiencia humana para ejecutarlo.
El nuevo sistema reemplaza esa supervisión humana con lo que los investigadores llaman un “sistema agentico”, un equipo coordinado de grandes modelos de lenguaje, a cada uno de los cuales se le asignan tareas específicas. Un agente organiza los datos. Otro escribe código de aprendizaje profundo desde cero, basándose en miles de ejemplos. Un tercero verifica la precisión del trabajo y luego pasa los resultados a un cuarto agente que ejecuta el análisis neuronal adjunto.
“La idea era crear un ‘científico artificial’ que pudiera aprender física de metamateriales y encontrar soluciones por sí solo”.
Un gerente general de IA coordina el equipo y ayuda a los agentes a comunicarse y tomar decisiones estratégicas. El sistema puede reconocer cuándo necesita más datos de entrenamiento o cuándo su enfoque actual está logrando avances suficientes. También puede explicar su razonamiento en cualquier momento, una transparencia que imita la intuición científica.
Dary Lu, el estudiante de doctorado que dirigió el proyecto, describe esta autoconciencia como quizás el aspecto más complicado de programar. La IA literalmente anuncia cuando alcanza rendimientos decrecientes y necesita datos nuevos, o cuando las tasas de error están cayendo satisfactoriamente y debe seguir iterando.
Igualar el desempeño humano
Para probar a su científico artificial, los investigadores se lanzaron a resolver problemas de diseño inverso que su laboratorio ya había resuelto. Los resultados revelaron promesas y limitaciones. En miles de pruebas, el rendimiento promedio de la IA quedó por detrás del de los estudiantes de posgrado anteriores. ¿Pero sus mejores diseños? Aquellos rivalizaban con el trabajo humano.
Este patrón es importante porque los problemas de diseño a menudo requieren sólo una solución excelente, no un rendimiento promedio consistente. Un único diseño de metamaterial optimizado puede desbloquear nuevas propiedades ópticas o comportamientos electromagnéticos, independientemente de cuántos intentos mediocres lo precedieron.
El equipo de Duke cree que su demostración muestra que los sistemas agentes cuidadosamente programados pueden manejar incluso los desafíos computacionales más complejos. Más importante aún, el enfoque no se limita al electromagnetismo. Marcos similares podrían acelerar la investigación en química, ciencia de materiales o cualquier campo que se enfrente a problemas de diseño inverso.
“Estamos justo en la cúspide de dónde sistemas como estos podrán mejorar la productividad de los trabajadores altamente calificados”.
Lu ve implicaciones prácticas para el mercado laboral, lo que sugiere que construir y gestionar estos sistemas de agencia representa un valioso conjunto de habilidades emergentes. Padilla tiene una visión más amplia, imaginando sistemas de inteligencia artificial que realicen investigaciones independientes y refinen sus propios métodos, impulsando el conocimiento humano a escalas y velocidades sin precedentes.
Los investigadores no llegan a afirmar que sus robots reemplazarán a los científicos. Más bien, enmarcan el trabajo como una herramienta para la aceleración, manejando tareas rutinarias pero especializadas que actualmente consumen tiempo de expertos. El sistema todavía requiere una programación cuidadosa y una definición clara del problema por parte de los humanos.
Sigue siendo una cuestión abierta si estos científicos artificiales producirán realmente descubrimientos novedosos. Por ahora, han demostrado que pueden replicar el trabajo de un experto en una fracción del tiempo. En los campos de investigación donde el progreso depende de resolver innumerables variaciones de diseño, esa aceleración por sí sola podría resultar transformadora.
Fotónica ACS: 10.1021/acsphotonics.5c01514
Aquí no hay muro de pago
Si nuestros informes lo han informado o inspirado, considere hacer una donación. Cada contribución, sin importar el tamaño, nos permite continuar brindando noticias médicas y científicas precisas, atractivas y confiables. El periodismo independiente requiere tiempo, esfuerzo y recursos; su apoyo garantiza que podamos seguir descubriendo las historias que más le importan.
Únase a nosotros para hacer que el conocimiento sea accesible e impactante. ¡Gracias por estar con nosotros!