La IA que resuelve un enigma centenario de la física estadística

La física estadística ha sido, desde sus orígenes a principios del siglo XX, una disciplina marcada por un obstáculo fundamental: el cálculo de los integrales de configuración. Estos integrales describen cómo interactúan las partículas en un material, un paso esencial para comprender sus propiedades termodinámicas. Durante más de un siglo, los científicos recurrieron a aproximaciones indirectas como la dinámica molecular o las simulaciones de Monte Carlo. Aunque útiles, estos enfoques requerían semanas de tiempo en supercomputadoras y, aun así, ofrecían resultados limitados. El problema residía en el llamado “mal de la dimensionalidad”, que multiplicaba de forma exponencial la complejidad del cálculo conforme aumentaba el número de partículas.

Ese bloqueo histórico parece haber llegado a su fin. En septiembre de 2025, un equipo de la Universidad de Nuevo México y el Laboratorio Nacional de Los Álamos anunció la creación de un marco de inteligencia artificial bautizado como THOR (Tensors for High-dimensional Object Representation). Este sistema es capaz de resolver directamente los integrales de configuración con una velocidad 400 veces mayor que los métodos tradicionales, un salto que abre una nueva era para la ciencia de materiales y la física estadística.

“El integral de configuración es notoriamente difícil y lento de evaluar, especialmente en aplicaciones de ciencia de materiales bajo condiciones extremas”, explicó científico sénior de IA en Los Álamos y líder del proyecto. “Con THOR podemos calcular el comportamiento termodinámico con una precisión inédita”.

Cómo la IA venció al “mal de la dimensionalidad”

La clave de THOR reside en el uso de la interpolación cruzada de trenes de tensores, una técnica matemática capaz de descomponer problemas de alta dimensión en componentes más pequeños que luego se vuelven a conectar. Esta descomposición permite transformar un cálculo inabordable en una serie de operaciones manejables sin perder información crítica. El equipo además desarrolló una variante personalizada que reconoce las simetrías cristalinas, lo que resulta fundamental para describir con precisión materiales sólidos. Gracias a esta combinación, cálculos que antes consumían miles de horas de tiempo en supercomputadoras pueden realizarse ahora en cuestión de segundos.

“Este avance reemplaza las aproximaciones del último siglo con un cálculo desde primeros principios”, señalo un físico de Los Álamos y coautor principal del estudio publicado en Physical Review Materials. La diferencia no es solo de velocidad, sino también de calidad: mientras las simulaciones tradicionales acumulaban errores a lo largo de miles de iteraciones, THOR ofrece resultados directos basados en las leyes fundamentales de la física.

Resultados inmediatos en materiales complejos

El equipo probó el sistema con materiales conocidos por su dificultad de modelado. En el caso del cobre, un metal esencial para la energía y la electrónica, THOR reprodujo las propiedades termodinámicas con una exactitud que antes requería semanas de simulación. En argón cristalino sometido a alta presión, el sistema logró cálculos imposibles de obtener con rapidez por los métodos convencionales. Y en el estaño, un material famoso por sus transiciones de fase sólido-sólido que cambian radicalmente su estructura, la IA logró describir con precisión los saltos estructurales.

Estos resultados no solo validan la eficacia de THOR, sino que anticipan su aplicación en múltiples campos. Según los investigadores, el marco puede acelerar el descubrimiento de nuevos materiales, optimizar procesos metalúrgicos e incluso aportar información clave para comprender fenómenos que ocurren bajo condiciones extremas, como en el interior de planetas o durante procesos tectónicos.

De los superordenadores a un repositorio abierto

THOR es el resultado de años de trabajo en redes tensoriales, un área en la que Los Álamos ya había obtenido logros destacados, como la compresión de datos a escala de yottabytes en cálculos de transporte de neutrones. Esta experiencia previa permitió empaquetar el conocimiento en un marco que ahora está disponible para toda la comunidad científica a través de GitHub.

El paso de mantener este avance como un recurso cerrado a compartirlo públicamente multiplica su impacto. Laboratorios de todo el mundo que antes necesitaban semanas de supercomputación podrán obtener resultados casi instantáneos. Esto democratiza la investigación avanzada en física y materiales, reduciendo la dependencia de grandes infraestructuras y acelerando el ritmo de la innovación.

Implicaciones globales de un salto científico

El impacto de THOR va más allá de la ciencia de materiales. Resolver los integrales de configuración con rapidez y precisión abre la puerta a comprender fenómenos físicos complejos en escalas antes inaccesibles. El diseño de aleaciones para reactores nucleares podría optimizarse de manera más eficiente, la búsqueda de nuevos semiconductores se aceleraría para impulsar la próxima generación de chips y los modelos climáticos o geológicos ganarían realismo al simular materiales sometidos a presiones extremas. Incluso la física fundamental podría beneficiarse al contrastar teorías de la materia condensada con cálculos exactos en lugar de con aproximaciones.

“THOR abre la puerta a descubrimientos más rápidos y a una comprensión más profunda de los materiales”, resumió Truong. El hecho de que un problema irresoluble durante más de cien años pueda resolverse hoy en segundos ilustra no solo el poder de la inteligencia artificial aplicada a la ciencia, sino también el potencial de integrar matemáticas avanzadas con técnicas de machine learning.