Las leyes de la física, uno de los mayores descubrimientos de la humanidad, han ido surgiendo durante muchos siglos en un proceso, a menudo, liderado por los pensadores destacados de la época. Este proceso, a su vez, ha influenciado en la evolución de la ciencia y da la impresión de que algunas leyes no podrían haber sido descubiertas sin el conocimiento de épocas pasadas.

Un ejemplo es la mecánica cuántica, basada en la mecánica clásica, usa varias ideas matemáticas que eran prominentes en ese momento.

Pero tal vez haya otra forma de descubrir las leyes de la física que no dependa de la comprensión que ya hemos adquirido sobre el universo.

Los investigadores de la Escuela Politécnica Federal de Zúrich (Suiza) Raban Iten, Tony Metger y su equipo afirman que han desarrollado tal método y lo han utilizado para descubrir las leyes de la física de una manera completamente nueva. Ambos señalan que es posible usar este método para encontrar formulaciones de leyes físicas completamente nuevas.

Primero, algo de contexto. Las leyes de la física son representaciones simples que pueden ser interrogadas para que proporcionen información sobre escenarios más complejos. Imagine poner un péndulo en movimiento y preguntar dónde estará la base del péndulo en algún momento en el futuro. Se puede encontrar una respuesta posible midiendo la posición del péndulo mientras se balancea. Esta información se puede usar como una especie de tabla de búsqueda para encontrar la respuesta. Pero las leyes del movimiento proporcionan una forma mucho más fácil de descubrir la respuesta: simplemente conecte los valores de las diversas variables en la ecuación apropiada. Eso da la respuesta correcta también. Por eso la ecuación se puede considerar como una representación comprimida de la realidad.

Esto nos da una idea de cómo las redes neuronales pueden encontrar estas leyes. Dadas algunas observaciones de un experimento, por ejemplo un péndulo oscilante, el objetivo es encontrar una representación más simple de estos datos.

La idea de Iten, Metger y su equipo es alimentar estos datos en la máquina para que aprenda cómo hacer una predicción precisa de la posición. Una vez que la máquina lo ha aprendido, puede predecir la posición desde cualquier conjunto inicial de condiciones. En otras palabras, ha aprendido la ley física aplicable.

Para saber si funciona, los investigadores han aportado datos de un experimento de péndulo oscilante a una red neuronal que han denominado SciNet. Han continuado repitiendo este proceso para experimentos que incluyen la colisión de dos bolas, los resultados de una medida cuántica en un cúbit e incluso las posiciones de los planetas y el Sol en el cielo nocturno.

Los resultados brindan una lectura interesante. Utilizando los datos del péndulo, SciNet puede predecir la frecuencia futura del péndulo con un error inferior al 2 %.

Además, Iten, Metger y su equipo pueden interrogar a SciNet para ver cómo llega a la respuesta. Desafortunadamente esto no revela la ecuación precisa, pero muestra que la red usa solo dos variables para llegar a la solución. Ese es exactamente el mismo número que en las leyes pertinentes de movimiento.

Pero eso no es todo. SciNet también proporciona predicciones precisas del momento angular de dos bolas después de que hayan colisionado. Eso solo es posible utilizando la conservación del momento, una versión que parece haber descubierto SciNet. También predice las probabilidades de medición cuando se interroga un cúbit, usando alguna representación del mundo cuántico.

Quizás lo más impresionante es que la red aprende a predecir la posición futura de Marte y el Sol usando la posición inicial vista desde la Tierra. Eso solo es posible si la red neuronal utiliza un modelo heliocéntrico del sistema solar, una idea que los humanos tardaron siglos en aprovechar.

Y, de hecho, un interrogatorio de SciNet sugiere que ha aprendido exactamente una representación heliocéntrica. "SciNet almacena los ángulos de la Tierra y Marte como se ven desde el Sol en las dos neuronas latentes, es decir, recupera el modelo heliocéntrico del sistema solar", explican los investigadores.

Es un trabajo impresionante, pero necesita ubicarse en perspectiva. Esta puede ser la primera demostración de que una red neuronal artificial puede comprimir datos de una manera que revela aspectos de las leyes de la física. Pero no es la primera vez que un enfoque computacional ha derivado estas leyes.

Hace unos años, los científicos informáticos de la Universidad de Cornell (EE. UU.) utilizaron un algoritmo genético que explotaba el proceso de la evolución para derivar una serie de leyes de la física a partir de datos experimentales. Estos incluyen leyes de conservación de la energía y el impulso. El sistema incluso escupió la ecuación en sí, no solo una pista sobre cómo se estaba calculando, como lo hace SciNet.

Claramente, los algoritmos evolutivos tienen la ventaja en el proceso de descubrir las leyes de la física usando datos experimentales sin procesar (dado que la evolución es el proceso que produjo redes neuronales biológicas en primer lugar, es discutible que siempre sea el enfoque más poderoso).

Hay una conclusión interesante para todo esto. A la humanidad le ha llevado siglos descubrir las leyes de la física, a menudo de formas que han dependido de manera crucial de leyes descubiertas previamente. Por ejemplo, la mecánica cuántica se basa en la mecánica clásica. ¿Podrían existir mejores leyes que puedan derivarse de datos experimentales sin ningún conocimiento previo de física?

Si es así, este enfoque de aprendizaje automático o el basado en la evolución debería ser exactamente lo que se necesita para encontrarlos.

Ref: arxiv.org/abs/1807.10300 : Descubriendo conceptos físicos con redes neuronales