TL;DR:
- La Universidad de Tsukuba anunció el 17 de agosto de 2026 una red neuronal informada por la física que estima hacia atrás la convección térmica del manto.
- El modelo recibió dos entradas sintéticas, el movimiento cerca de la superficie y una foto de la temperatura actual, y reconstruyó con precisión las temperaturas pasadas y el flujo profundo que nunca se le dieron.
- La prueba corrió sobre una simulación en dos dimensiones cuya respuesta se conocía de antemano; aplicar el método a datos reales de la Tierra sigue pendiente.
La Universidad de Tsukuba presentó el 17 de agosto de 2026 un modelo de inteligencia artificial capaz de estimar hacia atrás cómo se movió y cómo se calentó el manto terrestre, la capa de roca que ocupa más del 80% del volumen del planeta y circula a unos pocos centímetros por año. El autor, el profesor asistente Atsushi Nakao, del Instituto de Ingeniería de Sistemas e Información, construyó una red neuronal informada por la física: además de ajustarse a las observaciones, está obligada a cumplir las ecuaciones que gobiernan el transporte de calor y el flujo de fluidos en el manto. La prueba, sin embargo, no corrió sobre la Tierra. Nakao generó primero una simulación de convección térmica en dos dimensiones y usó ese resultado, cuya respuesta ya conocía, como el patrón contra el cual medir la reconstrucción.
Dos pistas de entrada y una historia que el modelo no tenía
El reparto de información fue deliberadamente escaso. Al modelo se le entregaron observaciones sintéticas de dos tipos: el movimiento del manto cerca de la superficie y una única fotografía de la distribución de temperatura en el presente. No recibió nada sobre las temperaturas del pasado ni sobre cómo fluyó el manto profundo a lo largo del tiempo. Eso era justo lo que debía deducir.
Lo reconstruyó con alta precisión, según la universidad. El resultado que Nakao subraya es la dependencia entre las dos entradas: combinar tipos de información geofísica complementarios resultó indispensable para recuperar una historia realista. El movimiento superficial guarda pistas de cómo se desplazó el material; la temperatura actual ancla la estructura del interior. Ninguna de las dos, por separado, alcanza.
Esta es la repartición exacta del experimento:
| Información | Entrada al modelo | Salida reconstruida |
|---|---|---|
| Movimiento del manto cerca de la superficie | Sí, como observación sintética | No |
| Temperatura del manto en el presente | Sí, como una sola instantánea final | No |
| Temperaturas del pasado | No | Sí |
| Flujo del manto profundo a lo largo del tiempo | No | Sí |
La prueba gemela valida el método, no la historia de la Tierra
Que el manto de la prueba fuera simulado no es un atajo: es el procedimiento estándar para validar un método inverso. En la Tierra real no existe un registro completo de cómo circuló el manto en el pasado geológico, así que no hay forma de calificar la reconstrucción. En una simulación sí: quien la genera conoce toda la historia de temperatura y flujo, puede esconder trozos, entregar pistas limitadas y comparar después el resultado del modelo con la respuesta verdadera.
De ahí viene también el límite del trabajo. La simulación es bidimensional y el manto terrestre es tridimensional, con rocas que se comportan distinto según presión y temperatura, límites de placas y variaciones químicas que el montaje no incluye. Lo que el estudio sostiene es que el método funciona en un escenario controlado, no que haya recuperado la historia real del manto. La propia universidad lo escribe en condicional, como una vía que con más desarrollo y datos geofísicos reales "podría ofrecer una herramienta potente" para entender la evolución del interior profundo.
Por qué reconstruir el pasado del manto es tan difícil
La convección del manto es lenta, profunda e invisible. Los geólogos leen movimientos de placas en la superficie y los sismólogos obtienen imágenes del interior, pero todo eso son pistas indirectas: ninguna muestra el camino completo que llevó al manto desde su estado antiguo hasta el actual. Se conocen fragmentos del principio y la fotografía del final, y falta el trayecto de en medio.
Ahí es donde la restricción física cambia el problema. Un modelo de aprendizaje automático convencional puede ajustar bien las observaciones disponibles y producir, aun así, una reconstrucción que viola las leyes del movimiento y del calor. Al meter las ecuaciones dentro del entrenamiento, el modelo pierde esa libertad: no puede inventar cualquier patrón que encaje con los datos, tiene que comportarse como se comporta la convección del manto.
El trabajo recibió financiamiento de la agencia japonesa JSPS y de programas conjuntos del Instituto de Investigación de Terremotos de la Universidad de Tokio, y se publicó en Journal of Geophysical Research: Machine Learning and Computation. La prueba que falta llega cuando las entradas dejen de ser sintéticas y traigan el ruido, los huecos y la incertidumbre de la sismología real.
