Simulación física: cuando las redes neuronales reemplazan a las supercomputadoras

Por: Gino Marín

Publicado el: 7 de mayo de 2026

Colaboración Académica para la Universidad CENFOTEC.

Simulación física: cuando las redes neuronales reemplazan a las supercomputadoras

Bienvenida al viaje

Vamos a hacer un viaje juntos. Este artículo es la primera parada de un recorrido de ocho entregas por un territorio mucho más amplio de lo que suelen sugerir los titulares: el de la inteligencia artificial que vive lejos del foco mediático de los grandes modelos de lenguaje. Mientras la conversación pública se concentra en chatbots, asistentes y prompts, hay un ecosistema vasto y silencioso de sistemas de IA que están salvando vidas, ahorrando millones de horas de cómputo, restaurando músicas y abriendo caminos en la medicina.

A lo largo de estas ocho entregas exploraremos juntos casos reales, desplegados en producción, donde la IA hace cosas que un LLM, por capaz que sea con el lenguaje, no podría hacer. No por falta de inteligencia, sino porque cada problema vive en un sustrato matemático distinto: ecuaciones diferenciales, formas de onda, píxeles, tensores atmosféricos, geometría molecular. Esa diversidad es la que hace tan interesante el panorama actual. Bienvenido al viaje.

Una primera puerta: la simulación física

Quiero empezar el recorrido por un terreno donde la inteligencia artificial ha dejado de ser una novedad para volverse una herramienta de trabajo cotidiana: la simulación física. No hablamos aquí de chatbots ni de imágenes generadas, sino de redes neuronales que están plegando el tiempo a su favor en uno de los campos más exigentes de la ingeniería.

Si alguna vez te preguntaste cómo se diseñan los aviones, cómo despegan los cohetes sin estallar o cómo se eligen los materiales para condiciones extremas, parte de la respuesta está en la simulación numérica. Y ese mundo, históricamente dominado por supercomputadoras carísimas y semanas de cálculo, está cambiando bajo nuestros pies.

El enfoque tradicional

Simular dinámica de fluidos, mecánica estructural o física de plasmas suele requerir resolver ecuaciones en derivadas parciales en enormes clústeres de cómputo. Ejecutar una sola simulación aerodinámica de un motor de avión puede tardar días en una supercomputadora tradicional. ¿Quieres iterar 100 variantes de diseño? Nos vemos el próximo trimestre.

La revolución de la IA

Entran en escena las redes neuronales informadas por la física (PINN) y frameworks como NVIDIA PhysicsNeMo, un toolkit de Python de código abierto para construir modelos sustitutos de IA que combinan causalidad física con datos de simulación. Estos modelos aprenden las leyes físicas subyacentes y pueden predecir el comportamiento de un sistema en segundos en lugar de días, manteniendo una precisión cercana al 99 % frente a los solucionadores tradicionales.

Por qué a un LLM le costaría esta tarea

Conviene preguntarse, antes de seguir, por qué un modelo de lenguaje fracasaría aquí. Los LLM predicen el siguiente token a partir de patrones aprendidos en texto. Pueden escribirte la ecuación de Navier-Stokes y narrarte qué ocurre en un fluido turbulento, pero no resolverla con precisión numérica sobre millones de celdas espaciales en cuestión de segundos. Su objetivo es producir texto plausible, no campos vectoriales físicamente consistentes; si le pidieras a un LLM que simule el flujo de aire alrededor del ala de un avión, te devolvería una descripción literaria del fenómeno, no un campo de velocidad fiel a la conservación de masa y momento. La diferencia no es de tamaño del modelo: es de sustrato matemático. Las PINN viven en el espacio continuo de las ecuaciones diferenciales y aprenden a respetar invariantes físicas; los LLM, en el espacio discreto de los tokens, optimizados para una métrica completamente distinta.

—

Hay algo casi poético en lo que ocurre aquí. Durante décadas asumimos que para entender un fluido había que calcular cada celda, cada paso, cada interacción de Navier-Stokes. Pero las PINN demuestran que, cuando das a una red el problema correcto y las restricciones físicas adecuadas, esa red descubre atajos que ningún humano había derivado. No «entiende» la mecánica de fluidos en el sentido en que lo hace un físico; pero sí encuentra caminos rápidos hacia respuestas correctas, y a veces esos caminos enseñan algo nuevo sobre el propio sistema. La inventiva, vista así, no es más (ni menos) que la capacidad de explorar bien un espacio enorme de soluciones bajo restricciones reales. En simulación física, ese espacio acaba de hacerse mucho más navegable.