Ingenieros de la Universidad de Pensilvania han descubierto que las burbujas en espumas cotidianas cambian constantemente de posición mientras mantienen la forma general de la espuma, siguiendo principios matemáticos similares a los del aprendizaje profundo para IA. Esto desafía las visiones tradicionales de las espumas como vidriosas y sugiere que comportamientos de aprendizaje pueden subyacer en sistemas diversos desde materiales hasta células. Los hallazgos, publicados en Proceedings of the National Academy of Sciences, podrían informar sobre materiales adaptativos y estructuras biológicas.
Las espumas, presentes en productos como la espuma de jabón y la mayonesa, se consideraban durante mucho tiempo similares al vidrio, con burbujas fijas en posiciones desordenadas. Sin embargo, nuevas simulaciones por computadora de investigadores de la Universidad de Pensilvania revelan que las burbujas en espumas húmedas vagan persistentemente a través de diversas configuraciones sin asentarse, incluso mientras la espuma retiene su forma. Este comportamiento dinámico refleja el proceso de aprendizaje profundo en sistemas de inteligencia artificial. En el entrenamiento de IA, los parámetros se ajustan iterativamente mediante métodos como el descenso de gradiente, evitando ajustes excesivamente precisos que obstaculizan la generalización. En cambio, los sistemas exploran regiones más amplias de soluciones viables. «Las espumas se reorganizan constantemente», señaló John C. Crocker, profesor de ingeniería química y biomolecular y coautor principal. «Es impactante que las espumas y los sistemas de IA modernos parezcan seguir los mismos principios matemáticos.» La física tradicional modelaba las burbujas de espuma como partículas que ruedan hacia estados de baja energía, como rocas en un valle. Sin embargo, datos de hace casi dos décadas mostraron discrepancias. «Cuando realmente examinamos los datos, el comportamiento de las espumas no coincidía con lo que preducía la teoría», explicó Crocker. El equipo aplicó ideas de optimización inspiradas en IA, encontrando que las burbujas permanecen en paisajes de energía planos con múltiples configuraciones equivalentes. El coautor principal Robert Riggleman, también en ingeniería química y biomolecular, destacó un paralelo: «La idea clave fue darse cuenta de que no quieres empujar realmente el sistema al valle más profundo posible». Mantener la IA en áreas más planas permite un mejor rendimiento en datos nuevos, similar al movimiento continuo de la espuma. El estudio reabre preguntas en la investigación de espumas y se extiende a sistemas vivos, como el citoesqueleto celular, que se reorganiza mientras preserva la estructura. «Por qué las matemáticas del aprendizaje profundo caracterizan con precisión las espumas es una pregunta fascinante», dijo Crocker. Apoyado por la National Science Foundation, el trabajo involucró a coautores Amruthesh Thirumalaiswamy y Clary Rodríguez-Cruz, con detalles completos en el artículo de PNAS de 2025 sobre espumas con maduración viscosa.
