La IA aprende las leyes de los materiales a partir de datos microscópicos

Investigadores de la Universidad Nacional de Singapur (NUS) han desarrollado métodos de IA que aprenden cómo se comportan materiales complejos a gran escala usando datos microscópicos. Al identificar un pequeño conjunto de variables ocultas que capturan el comportamiento colectivo, los métodos pueden predecir cómo evolucionan los materiales mientras reducen la necesidad de simulaciones costosas.

De los átomos al comportamiento a gran escala

Las propiedades de los materiales emergen de las interacciones entre un vasto número de átomos. Simular cada átomo durante largos periodos puede ser computacionalmente imposible, incluso en los superordenadores modernos, lo que dificulta conectar el movimiento atómico con las propiedades materiales observables.

Dirigido por el profesor asociado Qianxiao Li del Departamento de Matemáticas de la NUS, el equipo de investigación desarrolló métodos que evitan seguir cada partícula de forma individual. En su lugar, los modelos identifican cantidades que resumen el comportamiento colectivo del sistema y aprenden cómo cambian esas cantidades con el tiempo.

Los hallazgos se dieron a conocer en dos estudios: uno publicado en Physical Review Materials, y otro presentado en la Conferencia Internacional sobre Aprendizaje Automático (ICML) 2026 y publicado en el servidor de preprints arXiv.

Recomendado

Robots curiosos reproducen los errores lingüísticos de los niños pequeños

Dos métodos para escalar simulaciones microscópicas

El primer avance predice el comportamiento de sistemas estocásticos muy grandes usando simulaciones de sistemas mucho más pequeños. En lugar de calcular fuerzas para cada átomo en un sistema grande, el método utiliza información de fuerzas de una pequeña fracción de los átomos para aprender el comportamiento de todo el sistema.

El equipo demostró matemáticamente que este atajo puede seguir produciendo modelos precisos y lo probó en sistemas que van desde modelos de poblaciones biológicas hasta aleaciones simuladas que contienen más de 500.000 átomos.

El segundo método está diseñado para fluidos, ensamblajes de partículas y polímeros, donde los componentes microscópicos no tienen un orden natural. Aprende el patrón de distribución global en lugar de seguir partículas individuales. Como resultado, su salida no cambia cuando las etiquetas asignadas a las partículas se reordenan.

En conjunto, los enfoques construyen modelos macroscópicos eficientes a partir de datos microscópicos sin perder la física esencial del sistema. También pueden inferir el comportamiento de sistemas mucho mayores que los utilizados durante el entrenamiento, lo que podría permitir estudios en escalas antes inaccesibles.

«Muchos problemas científicos importantes implican comprender las maneras en que el comportamiento a gran escala emerge de innumerables interacciones microscópicas. Nuestro objetivo es desarrollar métodos de IA que puedan descubrir automáticamente estas leyes efectivas, permitiendo a los investigadores estudiar sistemas complejos con un coste computacional dramáticamente menor sin perder la precisión física.»

El equipo planea combinar los métodos con datos experimentales y simulaciones de materiales más avanzadas, particularmente a escala mesoscópica. Su objetivo a más largo plazo es desarrollar herramientas que puedan predecir rápidamente el comportamiento de materiales y apoyar el descubrimiento de nuevos materiales para la energía, la electrónica y la manufactura.

Los estudios son Mengyi Chen et al., «Aprendizaje escalable de dinámicas estocásticas macroscópicas», Physical Review Materials (2026), DOI: 10.1103/mlh4-htxv, y Zhichao Han et al., «Aprendizaje de dinámicas macroscópicas invariantes ante permutaciones», arXiv (2026), DOI: 10.48550/arxiv.2605.30812.