La IA física podría reducir días de simulación a segundos

Durante gran parte del último siglo, un nuevo ala, batería o chasis de automóvil se ha verificado siempre de la misma manera: los ingenieros construyen una copia virtual del componente y resuelven las ecuaciones de la física, punto por punto, sobre esa copia. Los resultados son fiables, pero una sola simulación puede tardar horas o días en una sala llena de ordenadores, y preparar el modelo puede requerir varios días más. Este es el cuello de botella que Pete Schlampp, director ejecutivo de Luminary, sitúa en el centro de un artículo de opinión colaborativo publicado en Engineering.com. Su afirmación es que los modelos de IA ya pueden predecir el mismo comportamiento mucho más rápido.

El mecanismo se parece mucho a lo que hizo funcionar a los grandes modelos de lenguaje. Un LLM aprende los patrones del lenguaje a partir de miles de millones de documentos y luego escribe texto nuevo sin consultar nada. Un Large Physics Model, o LPM, aprende los patrones de la física a partir de miles de simulaciones basadas en leyes físicas: cómo fluye el aire sobre un ala, cómo se desplaza el calor por una batería, cómo se deforma el metal en un choque. Una vez entrenado, predice cómo se comportará una forma nueva sin resolver las ecuaciones desde cero. Según el autor, después ofrece la presión, la tensión y el calor en cada punto de la superficie en segundos, cuando el método tradicional necesitaba días.

La idea no es nueva en sí misma, y el autor la sitúa dentro de una serie más amplia de resultados. En 2024, Demis Hassabis y John Jumper, de Google DeepMind, compartieron el Premio Nobel de Química por AlphaFold, que predijo las estructuras de prácticamente las 200 millones de proteínas conocidas por la ciencia. Un año antes, GraphCast, también de DeepMind, produjo previsiones meteorológicas a 10 días más precisas que el principal sistema operativo en aproximadamente el 90 % de las medidas evaluadas, en menos de un minuto en lugar de horas en un superordenador. En febrero de 2025, el Centro Europeo de Predicción Meteorológica a Medio Plazo empezó a ejecutar de forma operativa un modelo de aprendizaje automático junto a su sistema existente, con mejoras de hasta un 20 % en las predicciones de ciclones tropicales y una reducción de mil veces en la energía necesaria para generar una previsión. Son sistemas de meteorología y de biología, no LPM para piezas industriales, pero el autor sostiene que comparten el mismo rasgo: predecir cómo se comporta un sistema físico antes de que nadie haga un experimento.

El autor atribuye tres avances al auge de esta tecnología. Las GPU permiten generar de forma rápida y asequible los miles de entrenamientos que necesita un LPM, lo que reduce una sola simulación de días a minutos. Las arquitecturas de transformadores basadas en atención ofrecen predicciones a la escala y a la velocidad que exige la ingeniería. Y los agentes de IA que exploran miles de diseños necesitan una retroalimentación física, porque sin ella generan diseños al azar que quizá no funcionen en el mundo real. El autor afirma además que los resultados publicados sitúan las predicciones de los LPM a unos pocos puntos porcentuales de los métodos más lentos. El texto no cita esos estudios, y el autor dirige una empresa que vende esta tecnología, así que la cifra es, por ahora, una afirmación suya hasta que pruebas independientes la confirmen.

Si las afirmaciones se confirman, el beneficio va más allá de la oficina de diseño. El mismo modelo que predice cómo funcionará un ala antes de construirla puede predecir lo uniforme que será un lote de piezas fabricadas y detectar un defecto que una comprobación tradicional pasaría por alto. Una vez que un avión, un motor o un vehículo está en servicio, puede procesar datos de sensores y señalar una pieza cercana a fallar, en cada unidad y de forma continua, en lugar de hacerlo solo en las inspecciones programadas. Llevado más lejos, un modelo lo bastante rápido podría integrarse en un sistema de control y ajustar la trayectoria de una máquina en tiempo real. Para los fabricantes de aviones, los fabricantes de automóviles y los ingenieros de baterías, eso significa menos prototipos físicos e iteraciones más rápidas. El texto no da una fecha en la que esto llegue a la mayoría de las empresas ni una cifra de coste, así que el momento en que llegará a los equipos de ingeniería más pequeños sigue abierto.