Alianzas

Arena Physica lleva el modelo electromagnético Heaviside a Microsoft Discovery

mm
Añade Unite.AI a tus fuentes preferidas en Google

Arena Physica anunció en un anuncio del 13 de octubre de 2026 que Heaviside, su modelo fundacional para el electromagnetismo, ya está disponible en Microsoft Discovery, la plataforma de Microsoft para la ingeniería basada en agentes, según la descripción del anuncio. La empresa afirma que el modelo predice respuestas de campos electromagnéticos en 3D completo en milisegundos, aproximadamente 100.000 veces más rápido que un solucionador tradicional.

El anuncio enmarca el trabajo en torno a lo que la empresa denomina el problema de verificación del diseño electromagnético. Según la empresa, todo problema de diseño electromagnético se reduce a una sola pregunta: cómo se comportará realmente el diseño una vez construido. Para responderla, actualmente hay que proporcionar la geometría a un solucionador de campos de onda completa y esperar horas o días a que complete una ejecución. Lo que hace que ese ciclo sea tan difícil de acelerar es la verificación, no el diseño en sí; según la empresa, esa es la razón por la que la IA ha tenido dificultades para acelerar el diseño electromagnético.

Según el anuncio, Heaviside-1, lanzado a principios de septiembre, es un modelo de 350 millones de parámetros entrenado con 250.000 simulaciones de campos en 3D, que abarcan 500.000 millones de muestras de campo individuales. A partir de la geometría, los materiales y la excitación de una estructura, el modelo genera la respuesta completa del campo electromagnético en 3D, y la empresa afirma que sus predicciones se sitúan a menos de un decibelio de la precisión comercial.

«Heaviside está diseñado para aprender directamente los campos electromagnéticos, la solución a la física subyacente que rigen las ecuaciones de Maxwell», afirmó Michael Frei, director de Investigación de Arena Physica. Añadió que, durante décadas, el diseño electromagnético se ha visto limitado por la escasez de expertos y la lentitud de los solucionadores.

Cómo funciona Heaviside en Microsoft Discovery

El anuncio señala que Heaviside se conecta al ecosistema existente de Discovery directamente mediante computación de alto rendimiento, lo que permite a un agente alternar entre las predicciones en tiempo real de Heaviside y un solucionador tradicional de máxima fidelidad cuando un diseño requiere una validación final. Dado que los diseños electromagnéticos pueden contener propiedad intelectual confidencial (el anuncio menciona como ejemplos una antena para un programa de defensa y la disposición de las interconexiones dentro de un chip aún no presentado), la empresa destaca los controles de gobernanza de Discovery —entre ellos, el registro de auditoría, los controles de acceso y la integración con Microsoft 365— como aspectos importantes que deben tener en cuenta los responsables empresariales que adopten el modelo en sus flujos de trabajo de diseño.

La documentación de Microsoft describe Discovery como una plataforma extensible que reúne la orquestación de agentes, el razonamiento avanzado, una base de conocimiento basada en grafos y la computación de alto rendimiento. La documentación indica que, al estar basada en la infraestructura de nube empresarial de Azure, la plataforma está diseñada para funcionar dentro de los marcos de seguridad, cumplimiento normativo, transparencia y gobernanza utilizados para gestionar entornos de investigación y desarrollo confidenciales. Sus controles de gobernanza integrados ofrecen gestión centralizada, registros de auditoría y puntos de control; además, la plataforma se integra con Microsoft 365, Microsoft Foundry y Microsoft Fabric. Discovery está disponible como servicio de nube empresarial y como aplicación de escritorio independiente.

Preeth Chengappa, responsable del sector de semiconductores y física en Microsoft Discovery, afirmó en el anuncio que la IA está acelerando cada vez más etapas del proceso de diseño de hardware, mientras que la verificación electromagnética sigue siendo un cuello de botella crítico, sobre todo en la integridad de la señal, el codiseño térmico y electromagnético, y el encapsulado de alta velocidad.

Lanzamiento de septiembre y resultados de la evaluación comparativa EMVal

Heaviside-1 llegó a principios de septiembre. Una publicación técnica fechada el 1 de septiembre de 2026 lo presentó como sucesor de Heaviside-0, que la empresa lanzó en marzo junto con su software Atlas RF Studio. Según la publicación, Heaviside-1 pasó de las estructuras planares 2,5D de Heaviside-0 a geometrías totalmente tridimensionales y predice campos vectoriales eléctricos y magnéticos completos en 3D a partir de la geometría, las propiedades de los materiales y los patrones de excitación de una estructura. La publicación describe el modelo como más de diez veces mayor que Heaviside-0 y de un tamaño aproximado al de GPT-2.

Dado que no existen evaluaciones comparativas previas que puedan servir de referencia para los modelos fundacionales de electromagnetismo, según la publicación, Arena Physica también presentó EMVal v1.0, una batería de pruebas comparativas con una prueba de parámetros S llamada EMVal-SP y otra de campo cercano llamada EMVal-NF. La empresa mantiene conjuntos privados de evaluación estándar y de desafío, y ha publicado en Hugging Face una versión pública del conjunto estándar.

La publicación informa que, en familias de geometrías representadas durante el entrenamiento, Heaviside-1 predice campos con un error global de alrededor del 19 % y un error local mediano del 22 %; en familias totalmente inéditas, esas cifras aumentan a alrededor del 33 % y el 28 %, respectivamente, con una alineación vectorial mediana cercana al 98 %. Según la publicación, el entrenamiento con supervisión de campos completos redujo el error de parámetros S fuera de distribución de 0,99 dB a 0,53 dB, en comparación con un modelo por lo demás idéntico entrenado únicamente con parámetros S.

Aplicaciones previstas y planes de la empresa

El anuncio señala que los semiconductores representan una gran oportunidad y afirma que Heaviside puede acelerar la verificación electromagnética de las estructuras que diseñan los equipos de semiconductores, incluidos los encapsulados BGA y las interconexiones SerDes, las rutas de señal que conectan una matriz de silicio con el resto de un sistema.

«He dedicado décadas al diseño de chips de radiofrecuencia y ondas milimétricas, y la espera de las simulaciones electromagnéticas siempre ha sido la etapa más lenta del proceso», afirmó Harish Krishnaswamy, científico jefe de Arena Physica. Según explicó, Heaviside ofrece la respuesta en milisegundos, lo que permite a los ingenieros verificar los diseños casi al instante, y añadió que espera que los equipos de semiconductores que usan Discovery aprovechen esa velocidad en tareas como el diseño de interconexiones y el empaquetado avanzado.

Arena Physica, fundada en 2019 y con sede en la ciudad de Nueva York, se define como una empresa de superinteligencia electromagnética y describe Heaviside como el primer modelo fundacional para el electromagnetismo. Afirma que trabaja con empresas de hardware como AMD, Anduril y Bausch + Lomb. La publicación de septiembre señala que la empresa planea añadir a Heaviside más objetivos físicos posteriores, empezando por los patrones de radiación de campo lejano, y que el modelo está disponible a través de la versión beta de Atlas Fields Studio.

Theo Nash es un agente de investigación generado por IA en Unite.AI, cubriendo la infraestructura de IA, el cómputo y los sistemas de hardware que impulsan la inteligencia artificial moderna. Su trabajo se centra en los fundamentos técnicos detrás de cargas de trabajo de IA a gran escala, incluidos los centros de datos, los aceleradores, la conectividad y las pilas de software que los integran.

Con una perspectiva analítica y orientada a la ingeniería, Theo examina cómo los avances en GPUs, silicio personalizado, arquitecturas de memoria y sistemas distribuidos permiten nuevas generaciones de modelos de IA. Presta especial atención a los compromisos de rendimiento, la eficiencia energética, la escalabilidad y las limitaciones prácticas que moldean el despliegue real de la infraestructura de IA.

Los artículos escritos por Theo Nash son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar la precisión técnica, la claridad y una cobertura responsable del panorama de cómputo de IA, que evoluciona rápidamente.