✨︎ Resumen (TL;DR):
- La Universidad de Tsukuba presentó el 17 de agosto de 2026 una red neuronal informada por la física para estimar hacia atrás la convección del manto.
- El modelo recibió el movimiento cerca de la superficie y una sola instantánea de la temperatura actual, pero reconstruyó temperaturas pasadas y flujo profundo.
- Según la universidad, el modelo reconstruyó con alta precisión en una simulación bidimensional; aún falta probarlo con datos reales de la Tierra.
El profesor asistente Atsushi Nakao, del Instituto de Ingeniería de Sistemas e Información de la Universidad de Tsukuba, construyó una red neuronal informada por la física para estimar hacia atrás cómo se movió y se calentó el manto. En una simulación bidimensional, la red reconstruyó temperaturas pasadas y el flujo profundo con dos pistas, el movimiento cerca de la superficie y una única instantánea de la temperatura actual. La universidad presentó el resultado el 17 de agosto de 2026, pero el experimento todavía no prueba la historia real de la Tierra.
El manto terrestre es la capa de roca que ocupa más del 80% del volumen del planeta y circula a unos pocos centímetros por año. La convección térmica es lenta, profunda e invisible. Los geólogos leen los movimientos de las placas en la superficie y los sismólogos obtienen imágenes del interior, pero ninguna de esas pistas muestra el camino completo desde un estado antiguo hasta el actual.
Una red neuronal informada por la física es un modelo de aprendizaje automático que ajusta sus resultados a observaciones y debe cumplir las ecuaciones que gobiernan el transporte de calor y el movimiento del manto.
Dos pistas para reconstruir lo que no vio
El reparto de información fue deliberadamente escaso. Nakao entregó al modelo dos observaciones sintéticas:
- Movimiento del manto cerca de la superficie: entró como una observación sintética.
- Distribución de temperatura en el presente: entró como una sola instantánea.
- Temperaturas del pasado y flujo del manto profundo: la red no recibió estos datos; tuvo que reconstruirlos a lo largo del tiempo.
Según la universidad, la red reconstruyó con alta precisión los dos elementos que no recibió. El movimiento superficial aportó pistas sobre cómo se desplazó el material, mientras que la temperatura actual ancló la estructura del interior.
Nakao subraya que combinar ambas señales resultó indispensable para recuperar una historia realista. Por separado, ninguna de las dos bastó.
La simulación tenía la respuesta de antemano
La red no trabajó con mediciones de la Tierra. Nakao generó primero una simulación de convección térmica en dos dimensiones y usó ese resultado como patrón de comparación, porque conocía la respuesta completa de antemano.
Este diseño permite validar un método inverso. La Tierra no conserva un registro completo de cómo circuló el manto durante el pasado geológico, así que no existe una respuesta total con la cual calificar una reconstrucción.
La simulación sí ofrece esa referencia. Quien la genera conoce toda la historia de temperatura y flujo, puede ocultar partes, entregar pistas limitadas y comparar después la salida de la red con la respuesta verdadera.
El resultado valida el método dentro de un escenario controlado. No demuestra que la red haya recuperado la historia real del planeta.
La física limita las respuestas de la IA
Un modelo de aprendizaje automático convencional puede ajustar muy bien las observaciones disponibles y aun así producir una reconstrucción que viole las leyes del movimiento y del calor.
Al incluir esas ecuaciones durante el entrenamiento, la red ya no puede proponer cualquier patrón que encaje con los datos. Tiene que respetar el comportamiento que describe la física de la convección del manto.
El reto pendiente: probarlo con la Tierra
El límite del trabajo está en el diseño de la prueba. La simulación es bidimensional, mientras que el manto terrestre es tridimensional. Además, la configuración no incluye el comportamiento distinto de las rocas según la presión y la temperatura, los límites de placas ni las variaciones químicas.
El siguiente paso consiste en cambiar las entradas sintéticas por datos geofísicos reales. Esos datos traerán el ruido, los huecos y la incertidumbre de la sismología real, condiciones que la prueba controlada no tuvo que resolver.
El trabajo recibió financiamiento de la agencia japonesa JSPS y de programas conjuntos del Instituto de Investigación de Terremotos de la Universidad de Tokio. El estudio apareció en Journal of Geophysical Research: Machine Learning and Computation.
La Universidad de Tsukuba plantea que, con más desarrollo y datos geofísicos reales, el método “podría ofrecer una herramienta potente” para entender la evolución del interior profundo. Por ahora, la red reconstruyó un pasado conocido dentro de una simulación 2D; la pregunta pendiente es si puede hacerlo con las pistas incompletas de la Tierra.
