Un equipo de investigación presentó PLATON, un nuevo detector de partículas que reemplaza a millones de pequeños componentes detectores individuales por un único bloque de material que produce luz al paso de las partículas. Combinando una cámara de campo de luz, sensores de fotones de altísima sensibilidad e inteligencia artificial, el sistema reconstruye trayectorias de partículas de forma rápida y con una resolución que los detectores tradicionales no alcanzan.

Los detectores de partículas convencionales, usados tanto en física de altas energías como en imágenes médicas, suelen depender de arreglos de millones de sensores discretos distribuidos en una grilla, cada uno de los cuales debe leerse, calibrarse y sincronizarse por separado, lo que introduce costos de fabricación y complejidad de mantenimiento considerables. PLATON reemplaza ese enfoque por un único bloque continuo de material que emite luz cuando una partícula lo atraviesa, y delega en una cámara de campo de luz combinada con un modelo de inteligencia artificial la tarea de reconstruir, a partir de esa emisión luminosa, la trayectoria exacta que siguió cada partícula.

Para la comunidad de física experimental, la simplificación que propone PLATON podría reducir drásticamente el costo y la complejidad de construir detectores de próxima generación, tanto para experimentos de física de partículas en grandes aceleradores como para aplicaciones más aplicadas en escaneo de materiales o imágenes médicas de alta resolución. La integración de inteligencia artificial para interpretar patrones de luz complejos, en lugar de depender de reglas de reconstrucción geométrica fijas, es un enfoque que viene ganando terreno en instrumentación científica de frontera.

Más allá del interés puramente académico, este tipo de innovación en instrumentación tiene un historial de derivar, con los años, en aplicaciones médicas e industriales concretas: los detectores desarrollados originalmente para física de partículas terminaron dando origen a tecnologías como el PET-scan o ciertos escáneres industriales de rayos X. La pregunta de fondo que abre PLATON es si esta arquitectura más simple y basada en IA podrá replicarse a menor costo en hospitales o plantas industriales antes de lo que tomaron generaciones anteriores de tecnología de detección.

Fuentes al pie:
ScienceDaily: https://www.sciencedaily.com/news/matter_energy/technology/

Un equipo de investigadores publicó ThorArena, un benchmark de simulación que evalúa cómo responden los robots humanoides ante interacciones físicas realistas, como empujar sillas o cargar objetos junto a otra persona. El sistema se construyó capturando movimientos humanos reales con sensores de realidad virtual y herramientas 3D instrumentadas.

La construcción de ThorArena partió de un problema concreto que enfrenta hoy la robótica humanoide: la mayoría de los benchmarks existentes evalúan a los robots en tareas coreografiadas o en entornos controlados, pero dicen poco sobre cómo se comportan ante fuerzas físicas reales e impredecibles, como las que ocurren al levantar un recipiente con agua, empujar una silla o cargar un objeto junto a un compañero humano. Para resolverlo, los investigadores hicieron que operadores humanos usaran cascos de realidad virtual y rastreadores de movimiento mientras realizaban tareas domésticas cotidianas, capturando sus movimientos corporales completos, mientras herramientas manuales impresas en 3D y equipadas con sensores medían las fuerzas direccionales exactas que ejercían sus manos.

Esos movimientos humanos capturados se mapearon luego sobre un robot humanoide virtual dentro de un simulador de física, y el sistema reprodujo las fuerzas exactas registradas contra el robot virtual mientras este intentaba seguir los mismos movimientos, permitiendo así medir con precisión cuánto se desvía el comportamiento de un robot real de la ejecución humana original bajo condiciones de fuerza idénticas. El trabajo, publicado como preprint en arXiv, se suma a una oleada de investigación reciente sobre locomoción humanoide en terrenos difíciles y control de carga pesada mediante teleoperación, que juntos conforman lo que varios investigadores del área describen como la etapa de «escolarización» de los robots humanoides antes de su despliegue autónomo a gran escala.

El impacto de contar con un benchmark estandarizado de este tipo es considerable para toda la industria de robótica humanoide, que durante 2026 escaló notablemente su producción comercial: fabricantes como Unitree, Figure, Boston Dynamics y varias compañías chinas ya despliegan miles de unidades en pilotos industriales y de servicios. Sin una forma confiable de medir cómo responde cada diseño de robot ante fuerzas físicas reales, resulta difícil comparar objetivamente el desempeño de distintas plataformas más allá de demostraciones controladas y coreografiadas, que suelen sobreestimar las capacidades reales de manipulación física de estos sistemas.

La dimensión de futuro de este trabajo se conecta directamente con la pregunta que domina hoy la inversión en robótica física: antes de que los robots humanoides puedan trabajar de forma verdaderamente autónoma junto a personas —en hogares, fábricas o espacios públicos—, necesitan demostrar que pueden manejar de forma segura y predecible las mismas fuerzas físicas imprevisibles con las que convive cualquier persona en su vida diaria. Herramientas de evaluación como ThorArena son, en ese sentido, la infraestructura de medición que permitirá a la industria y a los reguladores establecer estándares de seguridad antes de que estos robots compartan espacios físicos con seres humanos de forma masiva.

Fuentes:
TechXplore: https://techxplore.com/news/2026-07-humanoid-robots-real-world.html

Un equipo de científicos combinó aprendizaje automático con física cuántica para descubrir dos nuevos materiales superconductores y crear un método de búsqueda considerablemente más rápido que los enfoques tradicionales. El avance acerca a la comunidad científica al objetivo largamente perseguido de un superconductor que funcione a temperatura ambiente.

La búsqueda de superconductores —materiales capaces de conducir electricidad sin resistencia eléctrica— tradicionalmente dependió de un proceso de ensayo y error costoso en tiempo y recursos de laboratorio, ya que el espacio de combinaciones posibles de elementos y estructuras cristalinas es prácticamente inabarcable mediante experimentación manual. El equipo detrás de este hallazgo entrenó un modelo de aprendizaje automático sobre principios de física cuántica para predecir qué combinaciones de materiales tienen mayor probabilidad de exhibir propiedades superconductoras, y validó esas predicciones descubriendo efectivamente dos nuevos materiales con esas características, además de demostrar que el método acelera drásticamente la exploración de candidatos futuros.

El contexto científico de este trabajo se inscribe en una semana particularmente intensa para la física de materiales cuánticos: en paralelo, otro equipo de investigación reportó un avance hacia la construcción de detectores cuánticos capaces de revelar secretos fundamentales del universo, como la naturaleza de la materia oscura y las ondas gravitacionales primordiales, utilizando un prototipo con dos nubes de átomos ultrafríos. Ambos desarrollos comparten un mismo patrón que define a buena parte de la física experimental de 2026: el uso de inteligencia artificial y técnicas de sensado cuántico para acelerar descubrimientos que antes requerían décadas de búsqueda experimental sistemática.

El impacto de encontrar nuevos superconductores mediante IA es doble. En el plano científico, valida que los modelos de aprendizaje automático entrenados con principios de física cuántica pueden generar descubrimientos de materiales reales y verificables, no solo predicciones teóricas, lo que abre la puerta a aplicar el mismo enfoque a la búsqueda de otros materiales con propiedades exóticas. En el plano aplicado, cada avance hacia un superconductor que funcione a temperaturas más cercanas a la ambiente reduce el costo y la complejidad de tecnologías que hoy dependen de refrigeración extrema, desde resonancia magnética médica hasta redes eléctricas de transmisión sin pérdidas y, eventualmente, la propia computación cuántica.

La dimensión de largo plazo de este hallazgo conecta con una de las metas más codiciadas de toda la física de materiales: un superconductor funcional a temperatura ambiente transformaría sectores completos de la infraestructura energética global, desde la transmisión eléctrica sin pérdidas hasta el transporte por levitación magnética a gran escala, sin la necesidad de sistemas de enfriamiento criogénico que hoy encarecen y limitan la adopción de estas tecnologías. Que la inteligencia artificial empiece a acelerar de forma concreta esa búsqueda, en lugar de solo optimizar procesos ya conocidos, es la señal más significativa de este hallazgo para el resto de la comunidad científica.

Fuentes:
ScienceDaily: https://www.sciencedaily.com/news/matter_energy/physics/