El CERN y Mistral AI han unido fuerzas para desarrollar un modelo de inteligencia artificial muy diferente de los sistemas que aprenden a partir de textos, imágenes o páginas web. Su objetivo es construir un modelo fundacional para física de colisionadores, entrenándolo con miles de millones de colisiones simuladas de protones del Gran Colisionador de Hadrones (LHC).
El acuerdo, anunciado el 15 de octubre de 2026, busca utilizar la IA para reconstruir colisiones, identificar partículas y localizar señales inesperadas entre cantidades gigantescas de información experimental. En última instancia, esas anomalías podrían ayudar a los físicos a encontrar fenómenos que no encajen con las teorías actuales.
El proyecto representa además un cambio interesante en el desarrollo de la inteligencia artificial: en lugar de enseñar a una máquina cómo utilizamos el lenguaje, los investigadores pretenden que aprenda directamente la estructura de los datos producidos por algunos de los experimentos más complejos construidos por el ser humano.
Una IA que no aprenderá leyendo textos
Los grandes modelos de lenguaje adquieren sus capacidades procesando enormes cantidades de información escrita. El sistema que quieren desarrollar el CERN y Mistral parte de una filosofía similar —entrenar previamente un gran modelo para después utilizarlo en diferentes tareas—, pero los datos serán completamente distintos.
La IA aprenderá mediante miles de millones de simulaciones de colisiones protón-protón del LHC.
Cada colisión puede generar numerosas partículas cuyos rastros quedan registrados por enormes detectores. A partir de esas señales, los científicos intentan reconstruir qué ocurrió durante una fracción minúscula de segundo.
La futura IA deberá aprender las relaciones existentes entre toda esa información.
El proyecto plantea desarrollar un Large Physics Model, un gran modelo de física preentrenado que pueda posteriormente utilizarse para diferentes trabajos científicos.
Un único modelo para realizar numerosas tareas
Actualmente, convertir las señales captadas por los detectores en información que pueda utilizar un físico requiere una cadena de algoritmos especializados.
Cada uno realiza determinadas operaciones hasta conseguir reconstruir las partículas y otros objetos producidos durante las colisiones.
El aprendizaje automático ya desempeña un papel relevante en diferentes partes de este proceso. La diferencia es que un modelo fundacional podría aprender información procedente de toda la cadena y realizar múltiples tareas desde un mismo sistema.
Entre las funciones planteadas se encuentran:
- Reconstruir colisiones de partículas.
- Identificar las partículas producidas.
- Detectar señales inesperadas dentro de los datos.
- Ayudar a estudiar posibles diseños para futuros detectores.
- Servir como base para diferentes herramientas utilizadas por la comunidad científica.
El planteamiento recuerda al cambio que los modelos fundacionales han provocado en otros campos de la inteligencia artificial: desarrollar una gran base común capaz de adaptarse posteriormente a numerosos problemas.
El CERN acumula cerca de un millón de terabytes de datos
La escala del proyecto resulta difícil de trasladar a cifras cotidianas.
El CERN conserva aproximadamente un exabyte de datos experimentales procedentes del LHC. Un exabyte equivale a alrededor de un millón de terabytes.
Y el volumen crecerá considerablemente.
El High-Luminosity LHC (HL-LHC), la gran actualización del acelerador prevista para comenzar a operar alrededor de 2030, multiplicará aproximadamente por diez el número de colisiones disponibles para los investigadores.
La física de partículas se enfrenta así a una paradoja: disponer de más información aumenta las posibilidades de realizar descubrimientos, pero también hace mucho más difícil encontrar entre todos esos datos los acontecimientos realmente extraordinarios.
La inteligencia artificial puede convertirse en una herramienta especialmente útil para resolver ese problema.
Buscar lo extraordinario entre miles de millones de colisiones
El LHC acelera partículas hasta velocidades próximas a la de la luz antes de hacerlas colisionar.
Los detectores situados alrededor de los puntos de colisión registran las consecuencias de esos impactos. Los físicos analizan posteriormente los datos buscando patrones que permitan estudiar las partículas conocidas y detectar posibles desviaciones.
El problema es estadístico.
Los acontecimientos interesantes pueden quedar ocultos entre cantidades inmensas de colisiones perfectamente compatibles con fenómenos ya conocidos.
Por ello resulta especialmente significativa una de las funciones previstas para el nuevo modelo: identificar señales inesperadas.
Una IA entrenada para comprender la estructura general de las colisiones podría ayudar a localizar acontecimientos que se aparten de los patrones habituales y señalar dónde merece la pena investigar con mayor profundidad.
¿Puede la IA descubrir nuevas partículas?
El proyecto no significa que una inteligencia artificial vaya a sustituir a los físicos ni que pueda declarar por sí misma el descubrimiento de una nueva partícula.
Su papel sería diferente.
Podría convertirse en una herramienta para detectar anomalías, reconstruir acontecimientos y seleccionar información especialmente interesante dentro de conjuntos de datos demasiado grandes para ser analizados manualmente.
Cuando aparece una anomalía, todavía es necesario determinar su causa. Puede deberse a un fenómeno físico desconocido, pero también a errores instrumentales, problemas estadísticos, efectos conocidos mal modelizados o características particulares del detector.
Cualquier posible descubrimiento tendría que superar posteriormente los controles científicos y estadísticos habituales.
La ventaja de la IA estaría en ayudar a localizar aquello que merece ser investigado.
El gran desafío de encontrar física más allá del modelo estándar
La física de partículas dispone de una teoría extraordinariamente exitosa, el modelo estándar, que describe las partículas elementales conocidas y tres de las cuatro interacciones fundamentales.
Pero el modelo está incompleto.
No explica por sí solo cuestiones fundamentales como la materia oscura, tampoco incorpora una descripción cuántica de la gravedad y deja abiertas otras preguntas sobre la estructura del universo.
Una de las grandes aspiraciones de los experimentos de física de altas energías consiste precisamente en encontrar indicios de fenómenos que obliguen a ampliar las teorías actuales.
Detectar una desviación extremadamente pequeña puede exigir analizar cantidades enormes de información.
Aquí es donde un modelo capaz de aprender de forma global cómo se comportan las colisiones podría adquirir especial relevancia.
El HL-LHC multiplicará el problema de los datos
La próxima etapa del Gran Colisionador de Hadrones hará todavía más necesario desarrollar nuevas herramientas de análisis.
El HL-LHC está diseñado para proporcionar una cantidad de colisiones muy superior a la disponible actualmente.
Más colisiones significan mayor precisión y más oportunidades de detectar fenómenos poco frecuentes, pero también una explosión del volumen de información que debe procesarse.
El número de colisiones aumentará aproximadamente diez veces con esta nueva fase.
La infraestructura informática tendrá que evolucionar al mismo tiempo que el acelerador.
Por eso la colaboración con Mistral no consiste simplemente en incorporar un chatbot a un laboratorio científico. El proyecto intenta desarrollar una arquitectura específicamente concebida para comprender datos físicos de enorme complejidad.
Europa une dos de sus grandes capacidades tecnológicas
La colaboración también tiene una dimensión estratégica.
El CERN aporta décadas de experiencia en física fundamental, grandes infraestructuras científicas, computación y tratamiento masivo de datos. Mistral aporta experiencia en el entrenamiento de modelos de inteligencia artificial a gran escala.
Ambas organizaciones han establecido una colaboración destinada a desarrollar nuevas aplicaciones de IA para la ciencia.
El trabajo comenzará centrándose en física de altas energías, aunque las técnicas desarrolladas podrían terminar teniendo aplicaciones en otros ámbitos científicos.
El objetivo es que las capacidades obtenidas puedan ser utilizadas por una comunidad científica más amplia.
Una IA para entender máquinas que producen cantidades inéditas de información
El proyecto se encuentra todavía en una fase inicial. No existe todavía una IA terminada capaz de encontrar nueva física en los datos del LHC. Lo anunciado es una colaboración para desarrollar esa tecnología.
Esta diferencia resulta fundamental para entender el alcance real de la noticia.
Durante los últimos años, buena parte de la atención sobre la inteligencia artificial se ha concentrado en máquinas capaces de generar textos, imágenes, vídeos o código. El CERN plantea ahora otro escenario: modelos fundacionales entrenados directamente sobre las huellas que dejan las partículas elementales al colisionar.
El salto puede resultar especialmente relevante cuando entre en funcionamiento el HL-LHC y el volumen de colisiones aumente de forma drástica. La cuestión ya no será únicamente cómo producir más datos sobre el universo, sino cómo encontrar, entre millones de terabytes, las pocas señales que podrían obligarnos a cambiar lo que creemos saber sobre él.