Diseñar un material capaz de guiar la luz con gran precisión exige probar una enorme cantidad de formas, tamaños y composiciones. Cada candidato debe pasar por simulaciones costosas antes de llegar al laboratorio. Ese atasco computacional frena la fabricación de lentes, sensores y piezas destinadas a futuras máquinas cuánticas.Un equipo de la Universidad Tecnológica de Chalmers, en Suecia, ha reducido esa espera al introducir ecuaciones físicas dentro de una red neuronal. El sistema parte con conocimientos sobre electromagnetismo y evita descubrir desde cero reglas que los investigadores ya conocen. Así, necesita muchos menos ejemplos para aprender.La idea cambia la relación entre aprendizaje automático y ciencia. Una red convencional busca regularidades en los datos que recibe, aunque algunas de sus predicciones pueden violar límites físicos. En este caso, las respuestas quedan sujetas desde el principio a las leyes que gobiernan la luz, lo que descarta errores evidentes y facilita interpretar el resultado.Diez veces menos esperaCrear un solo dato de entrenamiento puede exigir entre diez minutos y una hora de cálculo. Cuando el modelo necesita hasta 40.000 simulaciones, la preparación se prolonga durante un mes y debe repetirse si cambian las condiciones. Los investigadores han reducido una tarea de unos 30 días a cerca de tres. El ahorro permite ensayar más diseños y corregirlos antes de fabricar componentes, una ventaja muy ligada al desarrollo del chip fotónico. La IA está ocupando un espacio muy importanteUna vez entrenado, el modelo calcula en un milisegundo las propiedades ópticas de estructuras que no había visto. En la información recogida por SciTechDaily, el profesor Philippe Tassin explica que los cálculos requieren ahora una décima parte del tiempo anterior. La red también entrega estimaciones mejores porque descarta soluciones incompatibles con el electromagnetismo. Ese puente entre fenómenos minúsculos y señales útiles también aparece en trabajos que emplean microondas para leer cúbits.El avance nació durante un intento de hacer comprensibles las predicciones de la máquina. Al añadir modos cuasinormales, herramientas matemáticas usadas para describir cómo resuena la luz en una estructura, el equipo descubrió un beneficio añadido. La red requería menos datos y ofrecía respuestas más rápidas que el método de fuerza bruta.Del cristal a los cúbitsEntre las aplicaciones inmediatas figuran lentes más ligeras y delgadas para cámaras o gafas. También se pueden diseñar cristales fotónicos flexibles capaces de reflejar luz con una eficiencia muy alta. Esas piezas podrían transportar información entre procesadores y favorecer conexiones ópticas entre máquinas cuánticas. La búsqueda de resultados verificables ya ha permitido generar bits aleatorios certificados mediante un procesador especializado. La IA se está ganando un hueco dentro de la cienciaChalmers trabaja además con el grupo que desarrolla el primer ordenador cuántico sueco de gran escala. El control exacto de la luz importa porque muchas arquitecturas necesitan enviar fotones, acoplar componentes o comunicar módulos sin destruir estados delicados. Otros equipos persiguen el mismo objetivo con átomos neutros, como muestra el ordenador cuántico chino de doble núcleo. En todos los casos, el diseño físico sigue siendo el cuello de botella.El método todavía debe probarse en más familias de materiales y pasar de la simulación a dispositivos fabricados. Su valor reside en recortar el trabajo previo sin renunciar a ecuaciones conocidas. Cuando una máquina aprende con las reglas de la naturaleza incorporadas, cada dato de laboratorio rinde mucho más y las ideas pueden descartarse o madurar en días, en vez de meses.