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/

Desarrollo Convergencia.tech

Desde un frotis a una gota de sangre…

Historia

A comienzos de 2026, un equipo del Innovative Genomics Institute (IGI), liderado por investigadores del laboratorio de Jennifer Doudna en UC Berkeley, junto con UCSF y Gladstone Institutes, publicó en Nature un trabajo titulado «Targeting Cancer-Specific Mutations with RNA-Triggered Chromatin Shredding». El hallazgo central es que la nucleasa CRISPR-Cas12a2 puede programarse para reconocer transcritos de ARN específicos de una célula —por ejemplo, ARN mensajero de p53 mutado— y, al detectarlos, activar un mecanismo de «trituración de cromatina» que destruye el ADN de esa célula y provoca su muerte, sin afectar a las células sanas vecinas.

Esta propuesta plantea un proyecto de investigación y desarrollo bajo el sello Convergencia.tech, organizado en varias ramas paralelas, que combina esta tecnología de biología programable con la infraestructura de IA acelerada de NVIDIA (BioNeMo, Clara, Parabricks, MONAI, Omniverse/digital twins). El objetivo no es «curar el cáncer» en el corto plazo, sino construir las piezas de un sistema de detección ultratemprana y diseño asistido por IA de terapias tipo Cas12a2, validable primero in vitro y en modelos computacionales.

1. Qué es realmente Cas12a2 y qué se demostró

Es importante separar el anuncio de la realidad experimental:

Cas12a2 no es el CRISPR-Cas9 clásico que corta el ADN en un punto exacto para editar un gen. Es una nucleasa guiada por ARN que, al detectar una firma de ARN específica dentro de la célula, entra en un estado de actividad «trans»: comienza a degradar de forma masiva el ADN (y también ARN y ADN de cadena simple) dentro de esa misma célula, lo que provoca daño genómico generalizado y la muerte celular. En bacterias, este mecanismo funciona como un sistema de defensa tipo «pastilla suicida» frente a infecciones virales; el equipo de Doudna lo reprogramó para que el «gatillo» sea un transcrito asociado a cáncer.

Los resultados publicados muestran tres cosas concretas: primero, en cultivos celulares el sistema distinguió líneas celulares que diferían en un solo nucleótido (mutación puntual de TP53), activándose solo en las células con el transcrito mutante y dejando intactas a las células con la versión sana. Segundo, en células infectadas con cepas de VPH de alto riesgo, el direccionamiento contra transcritos virales E6/E7 redujo el número de células infectadas en aproximadamente un 94%. Tercero, en modelos con mutaciones tipo KRAS se observó una reducción de alrededor del 50% en el crecimiento de células de cáncer de pulmón.

Lo que todavía no existe es: administración dirigida al tumor en un organismo vivo, evidencia de seguridad en humanos, y ningún sistema de diagnóstico basado en esta tecnología. Es, hoy, una plataforma experimental de «destrucción selectiva programable», validada en cultivo y en modelos preclínicos tempranos.

2. ¿Sirve para detección temprana? El núcleo de la propuesta

La propia naturaleza del sistema —reconocer una firma de ARN y producir una señal medible (corte de ácidos nucleicos, fluorescencia, cambio eléctrico)— es exactamente el principio que ya usan los diagnósticos CRISPR de tipo SHERLOCK o DETECTR, pero aplicados hasta ahora sobre todo a virus. Trasladar ese principio a firmas tumorales abre dos escenarios de trabajo:

Biopsia líquida inteligente. A partir de una muestra de sangre se buscarían ADN tumoral circulante (ctDNA), ARN tumoral circulante (ctRNA) y exosomas portadores de mutaciones recurrentes (TP53, KRAS, EGFR, entre otras). Un sistema basado en Cas12a2 podría diseñarse para activarse únicamente cuando detecta esas firmas, generando una señal medible (fluorescencia, cambio óptico o electroquímico) proporcional a la presencia de la mutación. Esto es tecnológicamente plausible porque reutiliza el mismo mecanismo de reconocimiento de ARN ya demostrado, pero todavía no ha sido validado clínicamente como ensayo diagnóstico.

Monitoreo continuo. A más largo plazo, y de forma más especulativa, podría pensarse en dispositivos de microextracción periódica (parche o similar) combinados con secuenciación rápida y análisis por IA, donde Cas12a2 actuaría como paso de validación molecular de las señales encontradas. Esto permitiría, en teoría, detectar alteraciones moleculares mucho antes de que un tumor sea visible por imagenología. Hoy no existe nada comercial en esta línea; es la rama más exploratoria del proyecto.

3. Dónde entra el stack de NVIDIA

La convergencia entre biología programable e IA acelerada es, en este momento, donde está ocurriendo la inversión más fuerte de la industria. En enero de 2026 NVIDIA amplió significativamente su plataforma BioNeMo, sumando nuevos modelos abiertos de Clara (como RNAPro para predicción de estructura de ARN) y herramientas de aceleración para entrenar modelos biológicos fundacionales; empresas como Natera ya construyeron plataformas propias de IA sobre datos genómicos y clínicos de cáncer usando esta infraestructura, y NVIDIA y Eli Lilly anunciaron un laboratorio conjunto de co-innovación con foco en sistemas de aprendizaje continuo que conectan laboratorios húmedos (wet labs) con simulación computacional. Esto confirma que el tipo de arquitectura propuesta aquí no es ciencia ficción, sino la dirección donde ya se está moviendo el sector.

Las piezas relevantes del stack, organizadas por capa funcional:

Capa 1 — Descubrimiento molecular y diseño de guías. NVIDIA BioNeMo (framework y NIM microservices) permite entrenar y desplegar modelos sobre secuencias biológicas a gran escala, incluyendo modelos para diseño de moléculas, predicción de estructura de ARN/proteínas y embeddings genómicos. Para este proyecto, esta capa serviría para diseñar y optimizar guías de ARN para Cas12a2, predecir posibles efectos fuera de blanco (off-target) y buscar firmas de TP53 u otras mutaciones poco frecuentes en bases de datos públicas de cáncer.

Capa 2 — Procesamiento genómico acelerado. NVIDIA Parabricks ofrece versiones aceleradas por GPU de herramientas estándar de bioinformática para análisis secundario de secuenciación (alineamiento, llamado de variantes), lo que reduciría drásticamente el tiempo entre «muestra secuenciada» y «lista de mutaciones candidatas».

Capa 3 — Diagnóstico multimodal. NVIDIA Clara y MONAI están orientados a imágenes médicas y modelos clínicos; combinados con los datos genómicos de las capas anteriores, permitirían un modelo de riesgo que integre secuenciación, antecedentes clínicos e imágenes, produciendo una estimación de riesgo, la mutación sospechosa y una recomendación de seguimiento.

Capa 4 — Simulación y gemelo digital del paciente. Es la capa más especulativa: construir un modelo computacional del tumor de un paciente (genoma + transcriptoma) para simular, antes de cualquier intervención real, qué guía de Cas12a2 eliminaría las células tumorales con mayor especificidad y menor riesgo para el tejido sano. Herramientas de simulación de NVIDIA (Omniverse y similares) podrían usarse aquí, aunque su aplicación a biología molecular a este nivel de detalle todavía es un terreno de investigación, no un producto.

Capa 5 — Automatización de laboratorio. El ciclo secuenciador → IA de diseño → robot de laboratorio que ejecuta el experimento → retroalimentación, es el modelo de «lab-in-the-loop» que NVIDIA y varios de sus socios (Chai Discovery, Dyno Therapeutics, Edison Scientific) ya están implementando para descubrimiento de fármacos. Aplicarlo a guías de Cas12a2 sería una extensión natural, no un desarrollo desde cero.

4. Arquitectura propuesta del proyecto

La arquitectura de extremo a extremo quedaría así: biopsia líquida → secuenciación (Illumina/Oxford Nanopore) → procesamiento acelerado (Parabricks) → lakehouse genómico → modelos fundacionales biomédicos (BioNeMo/Clara) → detección de mutaciones y firmas de riesgo → diseño in silico de guías para Cas12a2 → validación in vitro en cultivo celular → panel de datos para revisión clínica/regulatoria. Cada flecha de esta cadena es, en sí misma, un módulo que puede desarrollarse y validarse por separado, lo cual es clave para un proyecto de este tipo: no depende de tener todo el sistema funcionando para generar valor.

5. Ramas de investigación propuestas (Convergencia.tech)

Se proponen seis ramas de trabajo, pensadas para poder avanzar en paralelo con distintos niveles de recursos y horizontes de tiempo.

Rama A — Vigilancia de literatura y mapeo del estado del arte. Seguimiento sistemático de publicaciones sobre Cas12a2, sistemas CRISPR de diagnóstico (tipo SHERLOCK/DETECTR) y plataformas de IA para biología (BioNeMo, Clara, Parabricks). Esta rama es de bajo costo, no requiere laboratorio y produce los reportes que alimentan a todas las demás.

Rama B — Diseño computacional de guías de ARN. Uso de modelos de IA (propios o sobre BioNeMo) para identificar firmas de ARN específicas de mutaciones de interés (TP53, KRAS, EGFR) y diseñar guías candidatas para Cas12a2, junto con predicción de especificidad y posibles efectos fuera de blanco. Es trabajo in silico, sin necesidad de laboratorio propio en una primera etapa, y puede apoyarse en datasets públicos de TCGA u otros repositorios de genómica del cáncer.

Rama C — Biopsia líquida y biomarcadores circulantes. Investigación sobre qué combinación de ctDNA, ctRNA y exosomas ofrece la señal más robusta para detección temprana, y cómo un mecanismo tipo Cas12a2 podría integrarse como paso de confirmación molecular sobre esas muestras. Esta rama conecta con proveedores de secuenciación y, eventualmente, con laboratorios clínicos para acceso a muestras.

Rama D — Modelos de riesgo multimodal. Desarrollo de modelos que integren datos genómicos, clínicos y, donde sea posible, de imágenes, para producir un score de riesgo y una mutación sospechosa con nivel de confianza. Aquí es donde Clara/MONAI tendrían el rol más directo.

Rama E — Simulación y gemelo digital. Exploración, a nivel de investigación, de cómo modelar computacionalmente un tumor a partir de su perfil genómico/transcriptómico para simular el efecto de distintas guías de Cas12a2 antes de cualquier ensayo real. Es la rama de horizonte más largo y mayor incertidumbre.

Rama F — Marco ético, regulatorio y de bioseguridad. Dado que se trata de un sistema que destruye material genético dentro de células humanas, esta rama debe correr en paralelo desde el día uno: análisis de los marcos regulatorios aplicables (FDA, EMA, ANMAT según corresponda), riesgos de activación fuera de blanco, y los requisitos de seguridad que cualquier desarrollo posterior tendría que cumplir antes de pasar a modelos animales o ensayos clínicos.

6. Limitaciones y riesgos a tener presentes

Cualquier comunicación pública de este proyecto debería ser explícita sobre lo siguiente: la entrega dirigida del sistema Cas12a2 al tejido tumoral correcto en un organismo vivo no está resuelta; existe riesgo de activaciones fuera de blanco que dañen células sanas; el alcance a metástasis dispersas es un problema abierto; los costos de secuenciación siguen siendo una barrera para el monitoreo continuo; y todo el camino regulatorio y de seguridad en humanos está, en el mejor de los casos, en una etapa muy temprana. Comunicar esto con claridad no resta valor al proyecto: por el contrario, posiciona a Convergencia.tech como una voz seria en un campo donde abunda la sobreventa de titulares.

7. Próximos pasos

Como primer paso concreto, vamos arrancar con las ramas A y B —vigilancia de literatura y diseño computacional de guías— porque no requieren infraestructura de laboratorio, pueden ejecutarse con datasets públicos y herramientas de IA accesibles, y generan los insumos (mapas de mutaciones, guías candidatas, reportes técnicos) que justifican y orientan la inversión en las ramas C, D, E y F.

El problema que la física cuántica acaba de atacar de frente

Los centros de datos que alimentan la inteligencia artificial global consumen hoy más electricidad que muchos países enteros. El cuello de botella no está en los algoritmos: está en el hardware. Los electrones —la base de toda la computación desde 1945— generan calor y desperdician energía cada vez que se mueven a través de un chip. Cuantos más datos se procesan, peor se vuelve el problema.

La solución más prometedora que existía era la computación fotónica: reemplazar electrones por fotones (partículas de luz), que son eléctricamente neutros, viajan a mayor velocidad y transportan información con pérdidas mínimas. El problema: esa misma neutralidad que los hace eficientes los vuelve casi inútiles para las operaciones de conmutación lógica de las que depende cualquier computadora. Los fotones, en condiciones normales, simplemente no interactúan entre sí ni con su entorno.

Hasta ahora.

Qué es el excitón-polaritón y por qué cambia todo

Un equipo liderado por el físico Bo Zhen de la Universidad de Pensilvania acaba de publicar en Physical Review Letters la creación de una nueva cuasipartícula: el excitón-polaritón.

No es una partícula en el sentido clásico. Es una entidad cuántica híbrida que emerge cuando un fotón se acopla con fuerza a un excitón —un par electrón-hueco generado dentro de un semiconductor de espesor atómico (una sola capa de átomos)— dentro de una cavidad nanoscópica que confina la luz a escala atómica.

El resultado es algo que combina lo mejor de dos mundos:

• La velocidad y eficiencia de la luz (herencia del fotón)
• La capacidad de interactuar con el entorno (herencia del excitón, de la materia)

En palabras de Li He, coautor principal del estudio y ex investigador postdoctoral en el laboratorio de Zhen: «los fotones pueden transportar información rápidamente a largas distancias con una pérdida mínima, pero esa neutralidad implica que apenas interactúan con su entorno, lo que los hace poco eficaces en el tipo de lógica de conmutación de señales de la que dependen los ordenadores.»

El excitón-polaritón resuelve exactamente ese problema.

El dato que lo vuelve histórico: 4 femtojulios por operación

El equipo demostró experimentalmente conmutación óptica —el equivalente cuántico de un «interruptor» de bit— consumiendo aproximadamente 4 femtojulios por operación.

Para dimensionarlo:

Lo revolucionario no es solo el número. Es que la señal entra como luz, el polaritón actúa sobre ella, y la señal sale como luz —sin haber sido electrón en ningún momento del proceso. Se elimina la conversión electrónica, que es precisamente donde se pierde la mayor parte de la energía en los chips fotónicos actuales.

El cuello de botella que esto elimina en la IA actual

Los chips fotónicos experimentales que existen hoy ya usan luz para ciertos cálculos lineales. Pero cuando el sistema necesita ejecutar operaciones no lineales —los pasos de toma de decisiones, las activaciones en redes neuronales, la lógica condicional— debe convertir las señales ópticas de vuelta a señales electrónicas. Ese ida y vuelta luz→electrón→luz es el talón de Aquiles de la computación fotónica.

Los excitón-polaritones realizan esas operaciones no lineales directamente en el dominio óptico, sin conversión. Si esta tecnología escala, implicaría:

• Reducción masiva del consumo energético en sistemas de IA de gran escala
• Mayor velocidad de procesamiento al eliminar latencias de conversión
• Chips que procesan información visual directamente desde cámaras sin etapas intermedias
• Un posible puente hacia computación cuántica fotónica a temperatura ambiente

Sustentabilidad científica: ¿qué tan sólido es este avance?

Esta es una pregunta legítima para cualquier breakthrough que aparece en titulares. Revisemos los elementos que le dan robustez:

1. Publicado en Physical Review Letters (PRL) PRL es una de las revistas de física más prestigiosas del mundo, con revisión por pares estricta. No es un preprint ni una nota de prensa sin respaldo.

2. Institución de primer nivel La Universidad de Pensilvania es la misma institución donde en 1945 se construyó ENIAC, la primera computadora electrónica de propósito general. El laboratorio de Bo Zhen tiene trayectoria documentada en fotónica cuántica.

3. Resultado replicable y medible El equipo no reporta una observación teórica sino una demostración experimental con valores concretos y caracterizaciones ópticas de la nanocavidad fotónica acoplada al semiconductor monocapa.

4. Conexión con física establecida Los excitón-polaritones no son un concepto nuevo —su existencia teórica y experimental en microcavidades semiconductoras viene siendo investigada desde los años 90. Lo nuevo es la demostración de conmutación lógica con consumo ultrabajo en un dispositivo funcional.

5. Honestidad sobre limitaciones El propio equipo señala que el mayor desafío es escalar la tecnología a producción. El dispositivo actual opera a escala de laboratorio. El camino desde aquí hasta chips comerciales implica ingeniería de materiales, integración fotónica y control de fabricación a nanoescala.

En síntesis: el avance es científicamente sólido y revisado por pares. Las proyecciones comerciales son promisorias pero aún especulativas.

Dónde encaja en el mapa de convergencia tecnológica

Para los lectores de convergencia.tech, este avance toca varias fronteras simultáneamente:

Nano ↔ AI: La solución al problema energético de la IA viene de la manipulación de materia a escala atómica —una nanocavidad que confina luz en una sola capa de semiconductor.

Fotónica ↔ QC: Los excitón-polaritones tienen propiedades cuánticas que podrían ser aprovechadas para computación cuántica fotónica, una de las rutas más activas hacia procesadores cuánticos escalables.

Hardware ↔ Sostenibilidad: Con la demanda energética de la IA duplicándose cada pocos meses, innovaciones en el nivel físico del hardware son tan estratégicas como los avances en modelos y algoritmos.

Lo que viene

El equipo de Zhen apunta a que esta plataforma podría convertirse en la base de una nueva generación de chips fotónicos para IA —y eventualmente, en un componente de arquitecturas de computación cuántica fotónica. Los próximos pasos científicos incluyen demostrar operaciones lógicas completas (no solo conmutación individual), integrar el dispositivo con arquitecturas fotónicas existentes y avanzar en la reproducibilidad de fabricación.

El horizonte temporal realista para aplicaciones comerciales es de 5 a 10 años. Pero el proof-of-concept ya existe, está publicado y es medible.

La computación comenzó con electrones en 1945. Tal vez el próximo capítulo lo escriban cuasipartículas que no son del todo luz ni del todo materia.

Fuentes

1. Wang, Z. et al. (2026). Exciton-polariton switching in atomically thin semiconductors. Physical Review Letters. Universidad de Pensilvania. DOI: 10.1103/gc15-qsvf (artículo fuente primaria)
2. Bell, L. (3 de junio de 2026). Crean una partícula híbrida de luz y materia que podría reducir drásticamente el enorme consumo energético de la IA. Meteored Argentina. https://www.meteored.com.ar/noticias/ciencia/crean-una-particula-hibrida-de-luz-y-materia-que-podria-reducir-drasticamente-el-enorme-consumo-energetico-de-la-ia.html
3. Fabbretti, R. (20 de mayo de 2026). Una partícula mitad luz mitad materia consume 1.000 veces menos energía que un transistor y podría salvar a la IA de su mayor problema. Gizmodo en Español. https://es.gizmodo.com/una-particula-mitad-luz-mitad-materia-consume-1-000-veces-menos-energia-que-un-transistor-y-podria-salvar-a-la-ia-de-su-mayor-problema-2000236891
4. Scruzcampillo (19 de mayo de 2026). Crean partículas mitad luz, mitad materia que pueden conmutar señales sin electricidad. Muy Interesante. https://muyinteresante.okdiario.com/ciencia/particulas-hibridas-luz-materia-conmutacion-optica.html
5. University of Pennsylvania (mayo de 2026). Forget electrons, this breakthrough uses light-matter particles to power AI. Penn News. https://journals.aps.org/prl/abstract/10.1103/gc15-qsvf

Nota editorial: convergencia.tech cubre la intersección entre Nanotecnología, Inteligencia Artificial y Computación Cuántica. Este avance es representativo de cómo las tres disciplinas convergen en soluciones al problema energético de la computación moderna.