Un equipo de científicos del Laboratorio Nacional de Los Álamos (LANL) y la Universidad de Nuevo México ha logrado un avance sin precedentes en la física estadística con el desarrollo de THOR AI, un marco computacional basado en redes tensoriales capaz de resolver ecuaciones imposibles hasta ahora. Esta tecnología, que combina redes tensoriales y aprendizaje automático, permite calcular con precisión el comportamiento termodinámico y mecánico de los materiales miles de veces más rápido que los métodos tradicionales.
El proyecto THOR AI (Tensors for High-dimensional Object Representation) aborda un problema que ha desafiado a los físicos durante más de un siglo: la evaluación directa del integral configuracional, un cálculo que describe cómo interactúan las partículas dentro de un material. Tradicionalmente, este proceso requería semanas de simulaciones y el uso de los superordenadores más potentes, pero el nuevo marco lo resuelve en cuestión de segundos sin pérdida de precisión.
Un desafío centenario en la física de materiales
Hasta ahora, los físicos dependían de métodos aproximados como la dinámica molecular o las simulaciones Monte Carlo para estimar estos valores. Estos enfoques, aunque útiles, estaban limitados por la llamada maldición de la dimensionalidad: un crecimiento exponencial de la complejidad computacional que hacía inviable calcular sistemas con miles de variables. “Las simulaciones podían tardar semanas e incluso así resultaban incompletas”, reconocen los investigadores.
El integral configuracional, que captura las interacciones entre partículas, es notoriamente difícil y lento de evaluar, especialmente en aplicaciones que implican altas presiones o transiciones de fase. Entenderlo profundiza nuestra comprensión de la mecánica estadística y aporta conocimiento clave en áreas como la metalurgia.
Boian Alexandrov, científico sénior de inteligencia artificial en Los Álamos y líder del proyecto.
Tensor networks y aprendizaje automático: la combinación clave
El avance de THOR AI radica en el uso de una técnica matemática denominada interpolación cruzada de trenes tensoriales, que convierte un problema de altísima dimensión en una cadena de componentes más simples y manejables. Este enfoque permite identificar las simetrías cristalinas relevantes y comprimir de manera eficiente la información.
Gracias a esta representación compacta, el equipo logró calcular el integral configuracional en segundos y con la misma precisión que los métodos tradicionales, reduciendo el tiempo de cálculo más de 400 veces. Los investigadores aplicaron THOR AI al estudio de metales como el cobre y el estaño, así como de gases nobles cristalinos como el argón, obteniendo resultados equivalentes a los mejores modelos de simulación de Los Álamos.
El sistema se integra además con modelos atómicos basados en aprendizaje automático, que representan las interacciones entre átomos y su dinámica interna, lo que lo convierte en una herramienta extremadamente versátil para la física, la química y la ciencia de materiales.
“Una revolución en el cálculo de los materiales”
Duc Truong, investigador del LANL y autor principal del estudio publicado en Physical Review Materials, afirmó: “Este avance reemplaza un siglo de simulaciones y aproximaciones con un cálculo desde primeros principios. THOR AI abre la puerta a descubrimientos más rápidos y a una comprensión más profunda de los materiales”.
Por su parte, Dimiter Petsev, profesor de la Universidad de Nuevo México y colaborador del proyecto, señaló que “resolver directamente el integral configuracional se consideraba imposible” debido a que sus dimensiones pueden alcanzar miles de grados de libertad. “Las técnicas clásicas habrían requerido tiempos de cálculo superiores a la edad del universo”, apuntó. “Las redes tensoriales, en cambio, marcan un nuevo estándar de precisión y eficiencia”.
De la teoría a la práctica: el impacto de THOR AI
El nuevo marco no solo ofrece una ventaja científica, sino también tecnológica y económica. Al reducir drásticamente los costes y tiempos de simulación, permite acelerar el diseño de materiales más resistentes, conductores más eficientes o aleaciones con propiedades inéditas. Esto podría beneficiar a sectores como la energía, la electrónica o la exploración espacial, donde la simulación de materiales extremos es esencial.
El proyecto THOR, disponible en código abierto en GitHub, utiliza una infraestructura multi-GPU y lenguaje Fortran moderno, optimizada para ejecutar cálculos masivos en paralelo. Según su documentación técnica, la librería está pensada para ser usada tanto en Fortran, Matlab y Python, facilitando su adopción por laboratorios y universidades.
El trabajo ha sido financiado por el programa de Investigación y Desarrollo Dirigido del Laboratorio (LDRD) del LANL y cuenta con la aprobación para distribución pública bajo licencia BSD-3.
Un futuro de simulaciones instantáneas
Con este avance, Los Álamos y la Universidad de Nuevo México se colocan a la vanguardia de la computación científica basada en inteligencia artificial. Su éxito demuestra que las redes neuronales y los modelos tensoriales no solo sirven para generar texto o imágenes, sino también para resolver problemas fundamentales de la física.
THOR AI, en palabras de Alexandrov, “rompe las cadenas de la dimensionalidad” y redefine los límites de lo que la ciencia puede calcular. Una herramienta que, como su nombre sugiere, golpea con fuerza un muro centenario de la física para abrir un nuevo horizonte en el conocimiento de los materiales.
