Científicos han desarrollado un nuevo método basado en aprendizaje automático para descubrir ecuaciones físicas desconocidas a partir de datos experimentales. Este enfoque, que utiliza elementos finitos totalmente diferenciables, permite identificar las leyes subyacentes que rigen un sistema sin necesidad de una formulación previa. La técnica se ha demostrado en la recuperación de ecuaciones constitutivas en mecánica de materiales, un área donde las relaciones entre tensión y deformación pueden ser complejas y difíciles de modelar explícitamente.

El método integra un modelo de elementos finitos dentro de una red neuronal profunda, permitiendo que todo el sistema sea diferenciable. Esto significa que los parámetros de las ecuaciones físicas pueden optimizarse directamente a partir de los datos, ajustando las leyes propuestas hasta que el modelo prediga con precisión el comportamiento observado. A diferencia de los enfoques tradicionales que requieren una hipótesis inicial sobre la forma de la ecuación, esta aproximación puede explorar un espacio más amplio de posibles leyes físicas, revelando relaciones no intuitivas o inesperadas.

La implicación de este avance es significativa para la física y la ingeniería. Podría acelerar el descubrimiento de nuevos materiales con propiedades específicas, al permitir la identificación de sus leyes constitutivas a partir de experimentos. Además, ofrece una herramienta poderosa para la ciencia fundamental, donde la formulación de nuevas teorías a menudo depende de la capacidad de inferir principios generales a partir de observaciones detalladas. Este enfoque abre la puerta a una nueva era de descubrimiento científico asistido por inteligencia artificial, donde las máquinas no solo analizan datos, sino que también formulan las leyes que los rigen.