Células, Espumas Viscosas e IA Profunda: Así Aprende la Materia en Paisajes Complejos

¿Alguna vez miraste la espuma de un café y pensaste que ya “se quedó así”? Parece quieta, como una foto. Pero por dentro puede estar trabajando, acomodándose, como una casa que cruje de noche aunque nadie se mueva.

Ese es el hallazgo que revela un estudio publicado en 2025 en Proceedings of the National Academy of Sciences (PNAS): la espuma nunca está realmente quieta. El paper se titula “Slow relaxation and landscape-driven dynamics in viscous ripening foams” (DOI 10.1073/pnas.2518994122) y está firmado por Thirumalaiswamy, Rodríguez‑Cruz, Riggleman y Crocker.

Lo llamativo es la pieza clave: el mismo patrón matemático que ordena esa espuma también aparece en el entrenamiento de redes neuronales profundas, los modelos que sostienen buena parte de la inteligencia artificial moderna, y en el citoesqueleto celular, el armazón interno que permite que una célula cambie sin colapsar.

Durante décadas, la física de materiales blandos trató a las espumas húmedas como si fueran “vítreas”, es decir, parecidas a un vidrio atrapado en un desorden casi fijo. Ese mecanismo proponía que la espuma solo cambiaba con saltos raros entre mínimos de energía. El nuevo trabajo refuta ese marco: incluso sin “empujarla” desde afuera, las burbujas se reordenan.

“Las espumas viscosas siguen una vía de minimización de energía sesgada que explora regiones del paisaje de energía cualitativamente diferentes”, señalan los autores. Esa frase funciona como interruptor conceptual: no importa solo dónde “cae” la espuma, sino por qué caminos puede circular.

Para entenderlo sin pizarrón: el estudio habla de un paisaje de energía potencial (un mapa de “cuesta arriba y cuesta abajo” en muchas dimensiones). Cada posible arreglo de burbujas es un punto en ese mapa. Y las fuerzas internas empujan a bajar energía, como una canica buscando descender.

Ahora viene lo doméstico: no es una pelota bajando una loma lisa, es una bolita recorriendo un ático lleno de pasillos, escaleras y recovecos. Desde afuera, la casa parece inmóvil. Por dentro, el recorrido es largo, y a veces obliga a tomar desvíos extraños. Esa geometría “enrevesada” es auto‑similar o fractal (se repite a distintas escalas, como un brócoli romanesco).

Ese detalle es la clave: en todos los regímenes, lo determinante no sería la profundidad de los “pozos” de energía, sino la forma del terreno. Por eso aparecen respuestas en ley de potencia (una respuesta que no tiene un único tiempo típico, sino una cola larga: algo se relaja rápido al principio y luego se demora muchísimo).

¿Qué cambia cuando cambia la viscosidad?

Las simulaciones muestran dos modos de movimiento. Con baja viscosidad, la espuma avanza de forma intermitente: se queda un rato cerca de mínimos de energía y, de golpe, hace reorganizaciones bruscas. Con viscosidades más altas, deja de “encajarse” en mínimos locales y recorre trayectorias más suaves y prolongadas, incluso a energías más elevadas.

Y hay un enigma que esto destraba: la recuperación extremadamente lenta tras una deformación fuerte. Antes se pensaba que la espuma quedaba atrapada en pozos profundos. El estudio indica otra cosa: queda atrapada cinéticamente (por el camino), no energéticamente (por un muro). En regiones de alta energía no faltan salidas; lo que sobran son pasillos largos y tortuosos.

La conexión con IA y con células, sin magia

En aprendizaje profundo aparece un paralelo preciso. El entrenamiento usa optimizadores (reglas de ajuste) para bajar la función de pérdida (el “termómetro del error”). Según el paper, los modelos que generalizan mejor no se asientan en mínimos profundos, sino en regiones amplias y planas del paisaje de pérdida, también con estructura multifractal.

En otras palabras: tanto la espuma como una red neuronal “aprenden” a moverse dentro de lo posible. No exploran todo el mapa, sino las zonas accesibles por su cableado dinámico. Y en biología, el citoesqueleto podría mostrar memoria mecánica y adaptabilidad sin invocar mecanismos extra: la geometría del recorrido ya produce lentitud, respuesta en ley de potencia y estabilidad.

Para el lector común, la oportunidad es sencilla: si una espuma, una IA y una célula comparten engranajes matemáticos, entonces ciertas formas de “aprendizaje” podrían no ser exclusivas de cerebros. A veces, el secreto está en el plano de la casa, no en la fuerza con la que empujamos la puerta.