Imagina observar las ondas que se forman en un estanque e intentar deducir, solo a partir de su movimiento, dónde cayó la piedra. Ese es el tipo de problema matemático que durante décadas ha frustrado a científicos de todo el mundo: las ecuaciones diferenciales parciales inversas.
Un equipo de ingenieros de la Universidad de Pensilvania acaba de encontrar la forma de que la inteligencia artificial los resuelva de manera fiable. La clave no ha sido añadir más potencia de cálculo, sino cambiar las propias matemáticas que la IA utiliza.
Mejor matemática, no más potencia de cálculo
Las ecuaciones diferenciales parciales inversas —PDEs inversas— permiten a los científicos partir de datos observados para inferir las causas ocultas que los generaron. Son esenciales para modelar sistemas complejos, desde reacciones químicas hasta la organización del ADN dentro de las células.
Resolverlas con IA resulta extraordinariamente costoso. Los sistemas de inteligencia artificial calculan las derivadas necesarias mediante un proceso llamado diferenciación automática recursiva: cada vez que los datos atraviesan la red neuronal, el sistema recalcula los cambios. Con datos ruidosos o sistemas muy complejos, este proceso se desestabiliza y amplifica los errores en cada paso. Es como hacer zoom repetidamente sobre una línea irregular hasta que las imperfecciones se adueñan de la imagen por completo.
El equipo de Penn decidió no buscar más potencia de cálculo. En palabras del doctorando Vinayak Vinayak, coautor principal del estudio: «Algunos desafíos científicos requieren mejores matemáticas, no simplemente más capacidad de cómputo». Esa convicción los llevó a replantear desde cero la base matemática del proceso.
Capas mollificadoras: una idea de los años 40 adaptada a la IA moderna
La solución llegó desde la historia de las matemáticas. En la década de 1940, el matemático Kurt Otto Friedrichs desarrolló el concepto de «mollificador»: una herramienta diseñada para suavizar funciones irregulares o ruidosas antes de operar con ellas. El equipo tomó esa idea y la trasladó al contexto de las redes neuronales modernas.
El resultado fue la «capa mollificadora», un componente que se integra dentro del modelo de IA y suaviza los datos de entrada antes de calcular las derivadas. Al eliminar el ruido en origen, se evita que la diferenciación recursiva lo amplifique iteración tras iteración.
El hallazgo no fue inmediato. Según Ananyae Kumar Bhartari, el otro coautor principal: «Al principio asumimos que el problema tenía que ver con la arquitectura de la red neuronal. Pero, tras ajustarla cuidadosamente, nos dimos cuenta de que el verdadero cuello de botella era la diferenciación automática recursiva en sí misma». Una vez identificado el origen del problema, la capa mollificadora redujo significativamente el ruido y el coste computacional, sin imponer la misma carga de recursos que los métodos tradicionales.
Descifrar los secretos del ADN: la primera gran aplicación
Una de las aplicaciones más prometedoras de este marco es el estudio de la cromatina, la estructura formada por el ADN y las proteínas dentro del núcleo celular. Estos dominios operan a una escala de apenas 100 nanómetros, pero su organización determina qué genes se activan o se silencian, gobernando así la identidad, la función, el envejecimiento y la enfermedad de las células.
Hasta ahora, los científicos podían observar las estructuras de la cromatina y modelar su formación, pero inferir de forma fiable los procesos epigenéticos subyacentes —los cambios químicos que regulan la actividad génica— era otro asunto: los métodos existentes no daban la talla.
El nuevo método permite estimar las tasas de esas reacciones epigenéticas con mayor precisión y estabilidad. «Si podemos rastrear cómo evolucionan estas tasas de reacción durante el envejecimiento, el cáncer o el desarrollo», explica Vinayak, «esto crea el potencial para nuevas terapias: si las tasas de reacción controlan la organización de la cromatina y el destino celular, entonces alterar esas tasas podría redirigir las células hacia estados deseados».
Más allá de la genética: un marco para múltiples disciplinas
Las capas mollificadoras no son una solución específica para la biología. El marco es aplicable a cualquier campo donde confluyan ecuaciones complejas y datos ruidosos: la dinámica de fluidos, la ciencia de materiales, la predicción meteorológica. En todos estos dominios, el desafío de fondo es el mismo: observar un fenómeno y deducir las reglas ocultas que lo generan. Ahora existe una herramienta matemática más robusta para afrontarlo.
El profesor Vivek Shenoy, autor principal del estudio publicado en Transactions on Machine Learning Research, resume la ambición del proyecto: «El objetivo final es pasar de observar patrones complejos a descubrir cuantitativamente las reglas que los generan. Si entiendes las reglas que gobiernan un sistema, tienes la posibilidad de cambiarlo».
El trabajo será presentado en NeurIPS 2026. Lo que ocurra después dependerá de cuántos campos científicos adopten este enfoque y lo apliquen a sus propios sistemas complejos, pero la base matemática ya está establecida.