¿Resuelto el misterio de la sopa recalentada? Modelos de IA de OpenAI, Google y Anthropic identifican una nueva pauta en la física de los alimentos

La IA ayudó a encontrar una nueva regularidad en la física de los alimentos, al procesar en media hora un volumen de datos experimentales que a una persona le habría llevado recopilar durante meses. El sistema AgentXtract extrajo de artículos científicos 4276 registros sobre 142 alimentos, tras lo cual los investigadores descubrieron una dependencia hasta entonces desconocida entre dos características que influyen en el calentamiento de los alimentos por ondas electromagnéticas.

El problema no radicaba en la falta de mediciones, sino en dónde se almacenan. Durante décadas los científicos acumularon muchos datos sobre las propiedades de los alimentos, pero los resultados están dispersos en artículos, tablas, gráficos y fórmulas. Para reunir una base utilizable para el análisis a partir de las publicaciones, el especialista debe encontrar manualmente los números necesarios, aclarar las condiciones del experimento y unificar los registros en un formato común.

AgentXtract delegó gran parte de ese trabajo a tres agentes de IA. El primero selecciona las publicaciones y analiza su contenido, el segundo extrae los valores numéricos, el tercero verifica el formato y compila los registros en una base común. En la base de los agentes funcionan grandes modelos de lenguaje, por eso los desarrolladores comprobaron por separado con qué frecuencia la IA omite números necesarios o, por el contrario, añade valores que no estaban en el artículo.

Los autores probaron diez modelos de OpenAI, Google y Anthropic en un conjunto verificado con anterioridad. La precisión en la selección de registros superó el 95%, y los valores numéricos transferidos correctamente fueron más del 99%. La capacidad para encontrar todos los datos necesarios varió más: la exhaustividad de la extracción en los distintos modelos osciló entre el 79% y el 99%. Para crear la base completa, los investigadores eligieron la mejor opción. El procesamiento duró alrededor de 30 minutos y las llamadas al modelo mediante la API costaron aproximadamente $9.

Tras combinar las mediciones, los investigadores observaron una regularidad que antes no se describía en las publicaciones. En más de 100 alimentos, la permitividad dieléctrica cambiaba junto con el coeficiente de pérdidas dieléctricas según una dependencia matemática estable. La primera magnitud muestra cómo el material responde a un campo eléctrico; la segunda ayuda a entender cuánto eficientemente el alimento convierte la energía electromagnética en calor. Ambas características influyen, por ejemplo, en el comportamiento de la comida en un horno microondas.

La propia IA no derivó una nueva ley de la naturaleza de la nada. AgentXtract reunió un gran conjunto de mediciones, y los investigadores analizaron el panorama resultante. Antes, la fragmentación de los datos impedía observar la dependencia general: había que buscar los resultados para distintos alimentos, temperaturas, frecuencias y composiciones entre numerosos trabajos separados.

La base reunida también se conectó a un prototipo del sistema RAG. Antes de responder a una pregunta, el programa primero busca registros experimentales adecuados y luego transmite la información encontrada al modelo de lenguaje. El usuario, por ejemplo, puede preguntar por las propiedades dieléctricas de la patata a una frecuencia determinada y obtener una respuesta numérica junto con los enlaces a las mediciones originales.

Los autores creen que el mismo enfoque puede aplicarse mucho más allá de la física de los alimentos. En muchas áreas de la ciencia, los resultados de experimentos se acumulan durante décadas en publicaciones en un formato poco apto para el análisis por máquinas. Los agentes de IA pueden acelerar la recopilación de esos conjuntos, pero la calidad de la base sigue dependiendo de las personas que seleccionan las fuentes, verifican los datos y determinan si la regularidad encontrada tiene sentido físico.