Tal vez la IA basada en la física es el enfoque correcto: revisar los cimientos de la inteligencia

Durante la última década, el aprendizaje profundo ha revolucionado la inteligencia artificial, impulsando los avances en el reconocimiento de imágenes, el modelado de idiomas y el juego. Sin embargo, han surgido limitaciones persistentes: ineficiencia de datos, falta de solidez a los cambios de distribución, una alta demanda de energía y una comprensión superficial de las leyes físicas. A medida que la adopción de AI se profundiza en sectores críticos, desde el pronóstico del clima hasta la medicina, estas limitaciones se están volviendo insostenibles.

Está surgiendo un paradigma prometedor: la IA basada en la física, donde el aprendizaje está limitado y guiado por las leyes de la naturaleza. Inspirado por siglos de progreso científico, este enfoque híbrido incorpora principios físicos en modelos de aprendizaje automático, ofreciendo nuevos caminos hacia la generalización, la interpretabilidad y la confiabilidad. La pregunta ya no es si necesitamos ir más allá del aprendizaje de la caja negra, sino qué tan pronto podemos darnos cuenta de esta transformación.

El caso de la IA basada en la física

¿Por qué física, ahora?

La IA contemporánea, especialmente los modelos de LLMS y Vision, en extracción de correlaciones de conjuntos de datos masivos, a menudo no estructurados. Este enfoque basado en datos tiene un rendimiento inferior en entornos de escasez de datos, crítica de seguridad o gobernado físicamente. AI basado en la física, en contraste, apalancamiento:

• Sesgos inductivos a través de restricciones físicas: La incrustación de simetrías, leyes de conservación e invariadas reduce el espacio de hipótesis y guía el aprendizaje hacia soluciones factibles.
• Eficiencia de muestra: Los modelos que explotan los antecedentes físicos logran más con menos datos, una ventaja crítica en dominios como la atención médica y la ciencia computacional.
• Robustez y generalización: A diferencia de las cajas negras, los modelos informados por física son menos propensos a fallas impredecibles al extrapolar la distribución fuera de distribución.
• Interpretabilidad y confianza: Las predicciones que se adhieren a las leyes conocidas, como la conservación de la energía, son más confiables y explicables.

El paisaje de la IA basada en la física

Redes neuronales informadas por física: el caballo de batalla

Las redes neuronales informadas por física (PINN) integran el conocimiento físico al penalizar las violaciones de las ecuaciones de gobierno (a menudo PDE) en la función de pérdida. En los últimos años, esto se ha convertido en un rico ecosistema:

• En clima y geociencias, los pinns han mostrado predicciones robustas para los flujos de superficie libre con complejidad topográfica.
• En la ciencia de los materiales y la dinámica de fluidos, modelan la distribución de tensión, la turbulencia y la propagación de ondas no lineales con una eficiencia atractiva.
• En el modelado biomédico, los PINN simulan con precisión la dinámica cardíaca y el desarrollo tumoral bajo observaciones dispersas.

Últimos desarrollos (2024–2025):

• El análisis de errores unificados ahora proporciona un desglose riguroso de los errores de PinN, cambiando el énfasis a estrategias de capacitación más efectivas.
• PointNet informado por física permite soluciones basadas en PINN en geometrías irregulares sin reentrenamiento por geometría.
• Los PINN de próxima generación emplean arquitecturas multimodales, mezclando componentes basados en datos y guiados por física para abordar la observabilidad parcial y la heterogeneidad.

Operadores neuronales: física de aprendizaje en dominios infinitos

Los modelos clásicos de aprendizaje automático son limitadas en las variaciones de manejo en las ecuaciones de física y las condiciones de contorno. Operadores neuronales, especialmente operadores neuronales de Fourier (FNO), aprenden mapeos entre espacios de funciones:

• En el pronóstico del tiempo, los FNO superan a los CNN para capturar la dinámica no lineal del océano y la atmosférica.
• Sus limitaciones, como el sesgo de baja frecuencia, se han abordado con técnicas de operadores de conjunto y multiescala, lo que aumenta la precisión para la predicción de alta frecuencia.
• Los operadores neuronales multifrid y multiescala ahora establecen el estado del arte en el pronóstico del clima global.

Simulación diferenciable: columna vertebral de fusión física de datos

Los simuladores diferenciables permiten la optimización de predicciones físicas de extremo a extremo con el aprendizaje:

• En la física táctil y de contacto, los simuladores diferenciables permiten el aprendizaje en la manipulación rica en contacto, los escenarios de física de cuerpo blando y cuerpo rígido.
• En neurociencia, la simulación diferenciable trae optimización a gran escala basada en gradientes a los circuitos neuronales.
• Los nuevos motores de física como Génesis ofrecen velocidad y escala de simulación sin precedentes para el aprendizaje y la robótica.

El trabajo reciente reconoce varios enfoques principales para el contacto diferenciable: modelos de dinámica basados en la optimización convexa, conforme y basados en la posición.

Modelos Hybrid Physics-ML: lo mejor de ambos mundos

• En la predicción de ciclones tropicales, los modelos neuronales híbridos físicos combinan el aprendizaje basado en datos con códigos de física explícitos, impulsando el horizonte de pronóstico mucho más allá de los límites anteriores.
• En fabricación e ingeniería, los híbridos aprovechan las limitaciones empíricas y físicas, superando la fragilidad de los modelos basados únicamente en datos de caja negra o primeros principios.
• En la ciencia del clima, los métodos híbridos permiten la reducción de escalados físicamente plausibles y la predicción consciente de la incertidumbre.

Desafíos actuales e investigaciones fronteras

1. Escalabilidad: La capacitación eficiente de los modelos limitados por física a escala sigue siendo desafiante, con avances que continúan en operadores sin malla y la velocidad de simulación.
2. Observabilidad parcial y ruido: Manejo de datos ruidosos y parciales es un desafío de investigación abierto; Los modelos híbridos y multimodales recientes están abordando este problema.
3. Integración con modelos de base: La investigación se centra en integrar modelos AI de uso general con antecedentes físicos explícitos.
4. Verificación y validación: Asegurar que los modelos se adhieran a la ley física en todos los regímenes sigan siendo técnicamente exigentes.
5. Descubrimiento de la ley automatizada: Los enfoques inspirados en PINN están haciendo que el descubrimiento de datos de gobernar las leyes científicas sea cada vez más práctica.

El futuro: hacia un paradigma de AI de Física primero

Un cambio a los modelos híbridos e híbridos no solo es deseable para la IA, sino esencial para la inteligencia que puede extrapolar, razonar y potencialmente descubrir nuevas leyes científicas. Las instrucciones prometedoras incluyen:

• Integración neural-simbólica, que combina conocimiento físico interpretable con redes profundas.
• Inteligencia artificial consciente en tiempo real para la toma de decisiones confiable en robótica y gemelos digitales.
• Descubrimiento científico automatizado utilizando aprendizaje automático avanzado para inferencia causal y descubrimiento de leyes.

Estos avances dependen de una fuerte colaboración entre el aprendizaje automático, la física y los expertos en dominios. El progreso explosivo en este espacio es unir datos, cálculo y conocimiento del dominio, prometiendo una nueva generación de capacidades de IA para la ciencia y la sociedad.

Referencias

• Redes neuronales informadas por física: un marco de aprendizaje profundo para resolver problemas hacia adelante e inversos que involucran ecuaciones diferenciales parciales no linealesRaissi et al. (2019)
• Redes neuronales lagrangianasCranmer et al. (2020)
• Redes neuronales hamiltonianasGreydanus et al. (2019)
• Operador neuronal de Fourier para ecuaciones diferenciales paramétricas paramétricasLi et al. (2021)
• Operador neuronal: mapas de aprendizaje entre espacios de funcionesKovachki et al. (2021)
• Aprendizaje automático científico a través de redes neuronales informadas de física: dónde estamos y qué sigueCuomo et al. (2022)
• Análisis numérico de redes neuronales informadas por física y modelos relacionados en el aprendizaje automático informado por físicaDe Ryck et al. (2024)
• Redes y extensiones neuronales informadas por físicaRaissi et al. (2024)
• Operador neural multigrid esférico para mejorar el pronóstico del clima global autorregresivoHu et al. (2025)
• Aplicaciones del operador neuronal de Fourier en un modelado y predicción del océano regionalChoi et al. (2024)
• Redes neuronales informadas por física para el sistema aumentado de ecuaciones de aguas poco profundas con topografíaDazzi et al. (2024)
• Difftaichi: programación diferenciable para simulación físicaHu et al. (2020)
• DiFftáctil: un simulador táctil diferenciable basado en la física para la manipulación robótica rica en contactoSi et al. (2024)
• Una revisión de simuladores diferenciablesNewbury et al. (2024)
• Simulaciones de física diferenciable con contactos: ¿tienen la posición, velocidad y control de los gradientes correctos?Zhong et al. (2022)
• Un marco de modelado híbrido de aprendizaje automático/física para la predicción extendida de ciclones tropicales de 2 semanasLiu et al. (2024)
• Jaxley: la simulación diferenciable permite el entrenamiento a gran escala de modelos biofísicos detallados de dinámica neuronalDeistler et al. (2024)
• Revolución de la física: una encuesta integral de aplicaciones de aprendizaje automáticoSuresh et al. (2024)
• Una biblioteca para aprender operadores neuronalesKossaifi et al. (2024); Github
• Génesis: Plataforma de física universal para robótica y IA encarnadaGénesis Equipo de IA encarnado (2024)
• Hacer cumplir limitaciones analíticas en redes neuronales que emulan sistemas físicosBeucler et al. (2021)

Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias en Ciencias de Datos de la Universidad de Padova. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca por transformar conjuntos de datos complejos en ideas procesables.