De todos los gases, el hidrógeno es uno de los más abundantes en nuestro planeta Tierra. Sin embargo, en muchos planetas el hidrógeno puede adoptar la forma de un metal, o al menos, eso es lo que ha determinado hasta ahora la ciencia a través de las técnicas de aprendizaje automáticas.

Sin embargo, un reciente estudio del Laboratorio de Energía Láser (LLE) de la Universidad de Rochester indica que el uso de estas técnicas está obstaculizando la interpretación de resultados, en lugar de acelerar el proceso.

El hidrógeno, el catalizador de este debate

Hydrogen - DNV
Créditos: DNV

El hidrógeno bajo altas temperaturas puede convertirse en un metal líquido. Esta es una particularidad del elemento que se ve reflejado en muchos planetas de nuestro Sistema Solar. Algo que a su vez ha despertado el interés de los científicos por él.

Esto último debido a que, si el hidrógeno pudiera adquirir propiedades de conductor eléctrico al convertirse en un metal, entonces este elemento podría ser utilizado como una nueva fuente de abastecimiento de energía eléctrica.

Este carácter físico de la transición de fase de primer orden puede tener profundas implicaciones en la comprensión de cómo se ven las estructuras interiores de los planetas gigantes, como la desmezcla de hidrógeno y helio en Júpiter”

Suxing Hu, investigador del Laboratorio de Energía Láser (LLE)

Los investigadores Valentin Karasiev y Suxing Hu del LLE han sido uno de esos científicos interesados. Quienes, en su último estudio se dedicaron al estudio de las transiciones de fase líquido-líquido del hidrógeno a líquido-metálico. Empleando para ello técnicas de aprendizaje automático.  

Las técnicas de aprendizaje automático, para aquellos que no las conozcan, son un tipo de práctica científica tradicionalmente utilizada para caracterizar materiales. En la cual se  aprovecha la inteligencia artificial de los ordenadores para identificar patrones en datos masivos y elaborar predicciones algorítmicas. 

Un fallo en los resultados

Desgraciadamente, Karasiev y sus colegas reportaron que estas técnicas de aprendizaje automático produjeron resultados incorrectos al describir el proceso de transición del hidrógeno. Desde la duración de la transición hasta la intensidad del proceso químico.

Al construir la ecuación de estado del hidrógeno, la ecuación que describe el estado del hidrógeno en diversas condiciones físicas, es importante caracterizar la transición a la fase de hidrógeno metálico: ¿Es una transición abrupta (brusca) o una transición suave?”

Valentin Karasiev, científico del personal de LLE

Lo que las técnicas automáticas arrojaron era que el hidrógeno al transformarse sufre una transición ligera y prolongada en el tiempo. Sin embargo, cuando Karasiev y Hu contrastaron los resultados con una simulación cuántica controlada, encontraron que la transición metálica del hidrógeno no era suave, sino más abrupta. Algo que resultaba coherente con otros datos anteriores recopilados sin aprendizaje automático.

Confiar en técnicas de aprendizaje automático… ¿es bueno o malo?

Two Clear Glass Jars Beside Several Flasks
Vía Pexels

Las técnicas de aprendizaje automático han demostrado su utilidad en el pasado. Especialmente, en los casos del estudio de enfermedades y virus, como el Covid-19. No obstante, con este estudio queda demostrado que lo “automático” no siempre suele reportar siempre resultados satisfactorios.

Nuestro trabajo demostró que el aprendizaje automático puede engañar a los científicos si no tienen cuidado al utilizar el aprendizaje automático para estudiar los límites de transición de fase”

Valentin Karasiev, científico del personal de LLE.

Podemos verlo de esta manera, ¿cómo podemos pedirle a una máquina creada por los seres humanos, y que aprende de ellos, que no cometa ningún error? Suena como un arduo trabajo. 

Por tal motivo, los científicos del proyecto hacen un llamamiento a sus colegas sobre la necesidad de construir mejores modelos para delinear cómo el hidrógeno puede convertirse en hidrógeno metálico. Modelos que utilicen el razonamiento humano, en lugar de las técnicas de procesamiento automático de una computadora.

Referencias:

On the liquid–liquid phase transition of dense hydrogen. Nature https://doi.org/10.1038/s41586-021-04078-x


Recent advances and applications of machine learning in solid-state materials science https://doi.org/10.1038/s41524-019-0221-0

Escribir un comentario