Las espumas aparecen en la vida cotidiana como espuma de jabón, crema de afeitar, aderezos de leche y emulsiones alimentarias como la mayonesa. Durante muchos años, los científicos creyeron que las espumas se comportaban como el vidrio, con sus pequeños componentes encerrados en posiciones caóticas pero esencialmente estables.
Una nueva investigación desafía ahora la visión mantenida desde hace mucho tiempo. Ingenieros de la Universidad de Pensilvania descubrieron que, si bien las espumas conservan su forma general, sus interiores están en constante movimiento. Aún más inesperado es que las matemáticas que explican este movimiento se parecen al aprendizaje profundo, una técnica utilizada para entrenar sistemas modernos de inteligencia artificial.
Este hallazgo sugiere que puede haber un principio organizativo compartido entre sistemas físicos, biológicos y computacionales, en un sentido matemático amplio. El trabajo puede guiar esfuerzos futuros para crear materiales que se adapten y respondan a su entorno. Esto podría ayudar a los científicos a comprender mejor las estructuras vivas que deben reorganizarse constantemente, como el andamiaje interno de las células.
Burbujas que nunca se asientan
En un estudio publicado en Actas de la Academia Nacional de CienciasLos investigadores utilizaron simulaciones por computadora para seguir el movimiento de las burbujas dentro de la espuma húmeda. En lugar de finalmente quedarse estacionarias, las burbujas siguieron vagando a través de muchos arreglos posibles.
Desde una perspectiva matemática, este comportamiento es similar a cómo funciona el aprendizaje profundo. Durante el entrenamiento, un sistema de IA ajusta repetidamente sus parámetros (información que describe lo que la IA «sabe») en lugar de encerrarse en un único estado final.
«Las espumas se reorganizan constantemente», dice John C. Crocker, profesor de ingeniería química y biomolecular (CBE) y coautor principal del artículo. «Es notable que las espumas y los sistemas modernos de IA parezcan seguir los mismos principios matemáticos. Comprender por qué sucede esto sigue siendo una cuestión abierta, pero podría cambiar la forma en que pensamos sobre los objetos adaptativos y los sistemas vivos».
Por qué las espumas desafiaron la física convencional
Las espumas generalmente se comportan como sólidos a escala humana. Por lo general, conservan su forma y pueden recuperarse después de ser comprimidos. Sin embargo, a escalas mucho más pequeñas, las espumas se consideran materiales «bifásicos» hechos de burbujas suspendidas en un fondo líquido o sólido.
Debido a que las espumas son fáciles de fabricar y observar y al mismo tiempo exhiben un comportamiento mecánico complejo, los científicos las han utilizado durante mucho tiempo como sistemas modelo para estudiar otros materiales densos y dinámicos, incluidas las células vivas.
Las teorías tradicionales han considerado las burbujas de espuma como rocas que ruedan por el paisaje energético. Desde este punto de vista, las burbujas se mueven cuesta abajo hasta posiciones que requieren menos energía para mantenerse y luego permanecen allí. Esta idea ayudó a explicar por qué las espumas, como las rocas en pie en el fondo de los valles, parecen estables una vez formadas.
Reconciliación entre teoría y realidad
Cuando los investigadores examinaron datos reales de espuma, descubrieron que el comportamiento no coincidía con estas predicciones. Según Crocker, los signos de esta anomalía aparecieron hace unas dos décadas, pero no existían herramientas matemáticas adecuadas para explicar completamente lo que estaba sucediendo.
«Cuando analizamos los datos, el comportamiento de las espumas no coincidía con lo que predecía la teoría», dice Crocker. «Empezamos a ver estas diferencias hace unos 20 años, pero todavía no teníamos las herramientas matemáticas para explicar lo que realmente estaba pasando».
Resolver este rompecabezas requiere un nuevo enfoque que describa sistemas que siguen cambiando sin establecerse en un sistema único y estable.
Lecciones de la inteligencia artificial
Los sistemas de IA modernos aprenden ajustando continuamente los parámetros numéricos durante el entrenamiento. Los primeros enfoques intentaron impulsar estos sistemas hacia una única solución óptima que coincidiera perfectamente con sus datos de entrenamiento.
El aprendizaje profundo se basa en métodos de optimización que implican una técnica matemática llamada descenso de gradiente. A medida que estos métodos avanzan cuesta abajo por el paisaje, guían iterativamente el sistema hacia configuraciones que minimicen el error paso a paso.
Con el tiempo, los investigadores se dieron cuenta de que impulsar los modelos hacia posibles soluciones más profundas causaría problemas. Los sistemas que ajustan sus datos de entrenamiento con demasiada precisión se debilitan y funcionan mal con nueva información.
«La idea clave es darse cuenta de que realmente no se desea empujar el sistema hacia el valle más profundo posible», dice Robert Riggleman, profesor de CBE y coautor principal del artículo. «Mantenerlo en partes planas del paisaje, donde muchas soluciones funcionan igualmente bien, permite que estos patrones se generalicen».
La espuma y la IA siguen las mismas reglas
Cuando el equipo de Penn volvió a analizar sus datos sobre espuma utilizando esta perspectiva, la similitud quedó clara. Las burbujas de espuma no se asientan en posiciones profundas y estables. En cambio, continúan moviéndose por vastas áreas donde múltiples configuraciones son igualmente viables.
Este movimiento continuo se parece mucho a cómo funcionan los sistemas de inteligencia artificial modernos durante el aprendizaje. Las mismas matemáticas que ayudan a explicar por qué funciona el aprendizaje profundo también captan lo que hacen las espumas.
Implicaciones para los materiales y los sistemas vivos.
Los hallazgos plantean nuevas preguntas en un campo que muchos creían que ya se conocía bien. Ésta puede ser sólo una de las principales contribuciones del estudio.
Al demostrar que las burbujas de espuma no se congelan en estados similares al vidrio, sino que se mueven según los algoritmos de aprendizaje, la investigación anima a los científicos a repensar cómo se comportan otros sistemas complejos.
El equipo de Crocker ahora está revisando el sistema que despertó su interés en las espumas: el citoesqueleto, el marco microscópico dentro de las células que sustenta la vida. Al igual que la espuma, el citoesqueleto debe reorganizarse constantemente preservando su estructura general.
«Una pregunta fascinante es por qué las matemáticas del aprendizaje profundo caracterizan las espumas con tanta precisión», dice Crocker. «Esto sugiere que estas herramientas pueden ser útiles fuera de su contexto original, abriendo la puerta a líneas de investigación completamente nuevas».
Esta investigación se llevó a cabo en la Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Pensilvania y contó con el apoyo de la División de Investigación de Materiales de la Fundación Nacional de Ciencias (1609525, 1720530).
Los coautores adicionales incluyen a Amritesh Thirumalaiswamy y Clary Rodríguez-Cruz.
