IA con física: enseñarle a la máquina las reglas de la naturaleza

Una red neuronal pura entrenada con treinta años de mediciones de ríos va a predecir muy bien el caudal de la próxima semana en los ríos que estudió, y bastante mal en un río que nunca vio. Ese hueco es el problema que resuelve la IA con física: machine learning donde las leyes científicas conocidas están construidas dentro del modelo, así que sus predicciones no pueden violarlas. Investigadores de Penn State publicaron un modelo global de hidrología que hace exactamente eso, y el autor principal, Chaopeng Shen, lo explicó sin adornos: las redes neuronales “no son tan buenas prediciendo más allá de ese rango. Por eso importa combinarlas con modelos basados en procesos anclados en la física”.

Puntos clave

• La IA con física incrusta ecuaciones (conservación de masa, energía, momento) dentro de una red neuronal, de modo que las violaciones se castigan durante el entrenamiento.
• El modelo diferenciable de hidrología de Penn State, publicado en Nature Communications con Chaopeng Shen como autor de correspondencia, simula áreas de hasta 36 km² en todo el mundo y de 6 km² donde hay mejores datos.
• La red neuronal aprende los parámetros de los procesos físicos (infiltración, recarga, evapotranspiración) en lugar de reemplazarlos.
• El premio es la generalización: pronósticos útiles en regiones casi sin historia de mediciones locales, que es justo donde se concentran las muertes por inundación.
• Tu hijo capta la idea central en quince minutos con un balde, una taza medidora y una regla: el agua no desaparece.

Qué construyó Penn State y por qué importa

Un modelo hidrológico predice a dónde va la lluvia: al suelo, al agua subterránea, al río, de vuelta al cielo. El equipo de Penn State, liderado por Chaopeng Shen con Yalan Song, Kathryn Lawson, Jiangtao Liu, Haoyu Ji, Tadd Bindas y Farshid Rahmani, publicó en Nature Communications un modelo global que corre a 36 kilómetros cuadrados en todo el planeta y baja a 6 kilómetros cuadrados donde existen datos detallados. Lo financiaron la National Science Foundation, la NOAA, el Departamento de Energía de EE. UU. y la NASA.

La arquitectura es lo interesante. No es una red neuronal que se come la lluvia y escupe caudal. Mantiene componentes físicos explícitos para lluvia, infiltración en el suelo, recarga de acuíferos, tránsito del caudal y evapotranspiración, y usa redes neuronales para aprender los parámetros que controlan esos procesos: qué tan rápido absorbe agua este suelo en particular, cuánto transpira esta vegetación. Como todo el sistema está escrito en un marco diferenciable, los gradientes atraviesan tanto la física como la red, así que las observaciones de caudal pueden ajustar parámetros muy adentro del modelo de forma automática. Shen describió el resultado como un cambio grande para la hidrología global, y señaló específicamente a regiones con poco desarrollo que nunca tuvieron estos servicios.

El trabajo relacionado del mismo laboratorio, “Physics-Informed, Differentiable Hydrologic Models for Capturing Unseen Extreme Events” en Water Resources Research (Song et al., 2026), pone a prueba lo que más importa: ¿puede el modelo manejar crecidas más grandes que cualquier cosa en sus datos de entrenamiento? Ahí es donde los modelos puramente de datos fallan más fuerte, y donde la restricción física se gana el sueldo.

IA con física: cómo una ley entra en la función de pérdida

Las redes neuronales aprenden minimizando una pérdida, un número que mide cuánto se equivocan. El entrenamiento estándar usa un término: el error de predicción contra los datos observados. Las redes neuronales informadas por física, formalizadas por Raissi, Perdikaris y Karniadakis en el Journal of Computational Physics (2019), agregan un segundo término. Escribes la ecuación diferencial que gobierna el fenómeno, metes la salida de la red dentro de ella y mides qué tan mal se viola la ecuación. Esa violación pasa a formar parte de la pérdida. Ahora la red se castiga por equivocarse con los datos y por equivocarse con la física.

Hazlo concreto con agua. La conservación de la masa dice: agua que entra, menos agua que sale, igual cambio en el almacenamiento. Si una red predice que 100 milímetros de lluvia produjeron 140 milímetros de caudal sin ninguna otra fuente, la conservación de masa se rompió. En un modelo de ML puro no hay nada que frene esa salida; se ve como una predicción mala. En un modelo informado por física, el desbalance mismo es un castigo que la red tiene que reducir. Con el entrenamiento, la red aprende solo las soluciones que obedecen la ley.

Hay dos sabores que conviene distinguir, porque la prensa los mezcla.

La versión de restricción blanda (la PINN al estilo Raissi) suma la ecuación como penalización. El modelo todavía puede violar un poco la física; solo se lo desincentiva. La versión híbrida o de restricción dura (lo que construyó Penn State) mantiene módulos de procesos físicos reales dentro del grafo de cómputo y usa la red para proveerles parámetros. Para las partes codificadas a mano, las violaciones son estructuralmente imposibles. El enfoque híbrido suele ser más preciso para pronóstico operativo y es más difícil de construir.

Los dos comparten una gran ventaja: eficiencia de muestras. Un modelo que ya sabe que el agua se conserva no necesita aprender ese hecho con un millón de ejemplos. Puede gastar su presupuesto limitado de datos aprendiendo lo específico del lugar, que es exactamente por qué estos modelos se trasladan a cuencas sin medición. Y comparten una limitación honesta: tu física tiene que estar bien. Si las ecuaciones son incompletas, como suele pasar con los procesos del suelo o la microfísica de nubes, la restricción codifica una aproximación. El modelo se vuelve consistente con confianza con un mundo un poco equivocado. Es una falla más sutil que el disparate obvio de un modelo puro, y probablemente más peligrosa.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: la regla de que el agua no desaparece

Llena una taza medidora con exactamente 500 mL. Viértela en un bol con una esponja adentro. Pregunta: ¿dónde está el agua ahora? Aprieta la esponja de vuelta en la taza y mide. Falta algo (en la mesada, en el aire, todavía en la esponja). Escriban en papel: “agua que entra = agua que sale + agua guardada”. Después hagan un juego de adivinanzas: tú viertes una cantidad secreta y tu hijo adivina el total usando la regla. La regla hace que su adivinanza sea mejor que una al azar. Esa es la idea completa.

De 9 a 12 años: dos adivinadores, una regla

Que tu hijo adivine la temperatura de mañana de dos formas. Adivinanza A: el promedio de los últimos cinco días (datos puros). Adivinanza B: el promedio, pero limitado por una regla que tú le das, como “no puede alejarse más de 5 grados de la de hoy, y en enero no puede bajar de cero”. Registren las dos durante dos semanas en un cuaderno. La B suele equivocarse menos de forma catastrófica, incluso cuando en promedio no es más precisa. Después hazle la pregunta filosa: ¿qué pasa si mi regla está mal?

De 13 en adelante: que construya la restricción

En una hoja de cálculo, armen un modelo de balde con tres columnas: lluvia (entrada), salida y agua almacenada. La tercera columna tiene que ser igual al almacenamiento anterior más la lluvia menos la salida. Deja que tu adolescente ajuste una regla de salida (salida = k × almacenamiento) a datos inventados, moviendo k hasta que las predicciones coincidan. Acaba de construir un modelo conceptual de hidrología de un parámetro con restricción dura de balance de masa. Después que lea el resumen del paper de Raissi et al. 2019 e identifique los dos términos de la pérdida. La mayoría lo sigue bien una vez que armó el balde.

La pregunta que debes hacer: “Si la regla física del modelo estuviera un poco mal, ¿podrías darte cuenta mirando sus predicciones? ¿Cómo?”

ML puro vs. ML informado por física

Pregunta	Machine learning puro	Informado por física / híbrido
Qué aprende	Un mapeo de entradas a salidas	Parámetros y residuos dentro de ecuaciones conocidas
Datos que necesita	Historias largas y etiquetadas	Muchos menos; la física aporta estructura
Comportamiento fuera del rango de entrenamiento	Poco confiable, puede ser absurdo	Limitado por leyes de conservación
Sirve en una cuenca sin medición	Mal	Está diseñado para eso
Interpretabilidad	Baja; los pesos son opacos	Media; los parámetros tienen significado físico
Falla principal	Disparate con confianza	Consistencia con confianza con física equivocada
Costo de construcción	Menor	Mayor; necesita científicos del dominio

La fila que debería cambiar cómo lees noticias de ciencia es la penúltima. Los dos enfoques fallan. Fallan distinto, y la falla del informado por física es más silenciosa.

¿Y en América Latina?

Aquí esto no es una curiosidad académica. La región combina cuencas enormes con redes de medición ralas: el Amazonas, el Magdalena, el Paraná y las cuencas andinas tienen muchísimos menos sensores por kilómetro cuadrado que los ríos de Europa o Estados Unidos. Esa es exactamente la situación para la que se diseñó un modelo global de 36 km² con restricciones físicas: da un pronóstico defendible donde no hay treinta años de datos locales para entrenar nada.

Y el clima de la región lo vuelve urgente. Las inundaciones urbanas en el área metropolitana de Buenos Aires, los deslizamientos por lluvia en las laderas de Medellín y las crecidas del Rímac en Lima durante El Niño son problemas de infiltración, saturación de suelo y tránsito de caudal, justo lo que estos modelos parametrizan. Para tu hijo hay un mensaje simple y cierto: las carreras que combinan física del agua con programación son escasas en toda la región, y los servicios meteorológicos e hidrológicos nacionales están contratando gente que sepa las dos cosas.

Qué hacer en casa

Usa la frase “¿qué regla tuvo que obedecer?”

Cuando tu hijo te muestre una predicción de IA, desde una app del clima hasta una cuenta de un chatbot, la pregunta útil es si algo la limitó. Los chatbots casi no tienen restricciones duras, por eso producen aritmética que viola la aritmética. Los modelos meteorológicos tienen muchas. Esa sola pregunta separa casi todas las herramientas de IA en dos pilas.

Conéctalo con la ciencia que ya le enseñan

La conservación de masa y energía aparece en secundaria, y la mayoría de los chicos la vive como vocabulario para memorizar. La IA con física es el caso raro donde una ley de conservación hace algo visible: mejora un programa de computadora para predecir inundaciones. Usa el modelo de Penn State como respuesta a “¿y esto para qué me sirve?”.

Muéstrale la versión local

Varios servicios hidrológicos nacionales publican datos de estaciones en tiempo real. Busca con tu hijo la estación más cercana después de una tormenta y miren la curva de respuesta: llueve, hay un retraso, después sube. Ese retraso es el suelo haciendo su trabajo, y es justo lo que describen los parámetros de infiltración del modelo.

Carreras reales, sin exagerar

El modelado hidrológico es un campo chico que hoy contrata, en parte porque el modelado diferenciable pide gente que maneje ecuaciones diferenciales y PyTorch. Si a tu adolescente le gusta el agua y el código, esa intersección está inusualmente vacía. Nuestro texto sobre predicción del clima con IA y el de cómo aprenden las redes neuronales completan el panorama.

Lo que no hay que hacer

No dejes que “IA más física” se convierta en una frase que tu hijo repite sin mecanismo. Si no puede nombrar una ley que el modelo obedece, aprendió un eslogan. El ejercicio del balde lo arregla en una tarde.

Qué observar en los próximos 3 meses

• Semana 4: Tu hijo puede enunciar una ley de conservación y explicar, con sus palabras, cómo un programa podría ser castigado por romperla.
• Señales de alerta en el mes 2: Tu hijo trata como confiable cualquier modelo que diga “física” en la descripción; o no distingue una predicción restringida de una suposición de chatbot.
• Autoevaluación del mes 3: Después de la próxima tormenta grande en tu zona, revisen si el pronóstico oficial coincidió con lo que pasó en la estación más cercana. El escepticismo sobre modelos se construye mirando pronósticos reales, no leyendo sobre ellos.

Preguntas frecuentes

¿La IA con física es lo mismo que una simulación?

No. Una simulación tradicional codifica la física y te exige aportar los parámetros. Un modelo de ML puro aprende de los datos sin física. La IA informada por física está en medio: la física está codificada y los parámetros se aprenden de los datos. Esa posición intermedia es lo que la hace funcionar donde hay pocos datos.

¿Esto solo se aplica al agua?

No. El mismo enfoque se usa en dinámica de fluidos, ciencia de materiales, física de plasmas, ingeniería estructural y modelado climático. El agua es donde el beneficio público es más obvio, porque el pronóstico de crecidas salva vidas en regiones sin infraestructura de monitoreo.

¿Y si simplemente medimos más?

Las estaciones cuestan dinero instalar y mantener, y las regiones con más riesgo de inundación suelen tener menos. Ese es todo el argumento de los enfoques informados por física y de los modelos fundacionales: la restricción o el preentrenamiento sustituye a una historia de mediciones que nunca vas a tener.

¿Tiene relación con los modelos de clima con IA como GraphCast?

Relación sí, igualdad no. Modelos como GraphCast y WeatherNext se aprenden en gran medida de datos de reanálisis sin ecuaciones explícitas en la pérdida, y funcionan muy bien a corto y mediano plazo. Los híbridos informados por física son más comunes donde los datos son escasos o donde importa extrapolar más allá de los extremos observados.

¿Qué matemática necesita mi adolescente?

Ecuaciones diferenciales y álgebra lineal, más suficiente programación para usar PyTorch o JAX. En la práctica eso significa cálculo en la secundaria y una carrera de física o ingeniería. La parte de programación diferenciable se aprende en meses una vez que está la matemática.

¿Qué tan precisos son estos modelos de inundación?

Suficiente para ser útiles en operaciones, insuficiente para dejar de evacuar. El aporte del modelo de Penn State es cobertura y resolución a escala global, no precisión local perfecta. Trata cualquier pronóstico individual como una probabilidad, que es como lo tratan los hidrólogos.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Penn State. “AI-powered model predicts floods, improves water management worldwide.” Penn State News. https://www.psu.edu/news/research/story/ai-powered-model-predicts-floods-improves-water-management-worldwide
2. Song, Y., et al. (2026). “Physics-Informed, Differentiable Hydrologic Models for Capturing Unseen Extreme Events.” Water Resources Research. https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025WR040414
3. Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). “Physics-informed neural networks.” Journal of Computational Physics, 378, 686–707. https://doi.org/10.1016/j.jcp.2018.10.045
4. Shen, C., et al. “Distinct hydrologic response patterns and trends worldwide revealed by physics-embedded learning.” arXiv 2504.10707. https://arxiv.org/pdf/2504.10707
5. Phys.org. (2025, octubre). “Physics-based model can predict floods and improve water management worldwide.” https://phys.org/news/2025-10-physics-based-worldwide.html
6. UNESCO. (2026, 14 de abril). “UNESCO launches Observatory on Artificial Intelligence in Education for Latin America and the Caribbean.” https://www.unesco.org/en/articles/unesco-launches-observatory-artificial-intelligence-education-latin-america-and-caribbean
7. US Geological Survey. “National Water Dashboard: caudal en tiempo real.” https://dashboard.waterdata.usgs.gov/