✨︎ Resumen (TL;DR):
- Investigadores de la Universidad de Pensilvania integraron un concepto matemático de los años 40 en redes neuronales.
- El método reduce el tiempo de entrenamiento y uso de memoria entre 6 y 10 veces frente al estándar actual.
- La tecnología permitirá inferir la dinámica del ADN y optimizar modelos de comportamiento del cáncer y el clima.
Investigadores de la Universidad de Pensilvania presentaron una técnica de inteligencia artificial que resuelve uno de los mayores obstáculos de las matemáticas aplicadas: las ecuaciones diferenciales parciales inversas. El método, que será detallado en NeurIPS 2026, procesa datos ruidosos y ecuaciones de alto orden trabajando en reversa desde un resultado observable hasta su causa original.
Para lograrlo, el equipo desarrolló las Mollifier Layers, que es una capa de red neuronal que sustituye la diferenciación automática recursiva por una sola operación convolucional.
El método rescata un concepto clásico. Los Mollificadores son herramientas matemáticas de suavizado que estabilizan datos complejos, descritas por el matemático Kurt Otto Friedrichs en la década de 1940.
El resultado directo de esta implementación es una reducción drástica en la carga computacional. El sistema disminuye el uso de memoria y acelera el tiempo de entrenamiento entre 6 y 10 veces con mayor precisión frente a los modelos tradicionales.
“Resolver un problema inverso es como mirar las ondas en un estanque y trabajar hacia atrás para averiguar dónde cayó la piedra”, explicó Vivek Shenoy, autor principal del estudio. “Puedes ver los efectos claramente, pero el verdadero desafío es inferir la causa oculta”.
En lugar de inyectar fuerza bruta computacional, Ananyae Kumar Bhartari, coautor del trabajo, identificó que el problema raíz era el proceso de diferenciación. “Eso nos permitió resolver estas ecuaciones de forma más confiable, sin la misma carga computacional”, detalló Bhartari.
Modelado genético y predicción dinámica
El laboratorio de Shenoy enfocará esta tecnología en la biología de la cromatina para analizar dominios de ADN plegado de 100 nanómetros. El objetivo es inferir las tasas de reacción epigenética para modelar cómo ocurren los cambios físicos durante el desarrollo, el envejecimiento y el cáncer.
Esta nueva arquitectura matemática tiene impacto directo en múltiples disciplinas científicas:
- Biología celular: Permite analizar el destino de las células al calcular las tasas de reacción de la cromatina.
- Ciencia de materiales: Facilita la comprensión de la dinámica estructural bajo condiciones extremas.
- Mecánica de fluidos y meteorología: Optimiza la previsión climática al procesar bases de datos con alto nivel de ruido.
Como señaló Vinayak Vinayak, candidato doctoral y coautor de la investigación: “Si las tasas de reacción controlan la organización de la cromatina y el destino celular, entonces alterar esas tasas podría redirigir a las células a los estados deseados”.
La técnica descarta la estática para abrir una ventana de intervención directa sobre procesos moleculares. “Si entiendes las reglas que gobiernan un sistema”, concluyó Shenoy, “ahora tienes la posibilidad de cambiarlo”.
