Más allá de Maxwell: límites teóricos, prácticos y numéricos de una teoría extraordinaria — y su enseñanza en la era de la IA

Más allá de Maxwell: límites teóricos, prácticos y numéricos de una teoría extraordinaria — y su enseñanza en la era de la IA

Fabián Robledo¹

¹Departamento de Señales y Sistemas. Escuela de Ingeniería de Telecomunicaciones. Facultad de Ingeniería. Universidad de Carabobo. frobledo@uc.edu.ve 

Resumen

Las ecuaciones de Maxwell constituyen el pilar del electromagnetismo clásico y la base teórica sobre la que se sostienen las telecomunicaciones modernas. Su enseñanza en las carreras de ingeniería suele presentarlas, sin embargo, como un modelo omnicomprensivo, capaz de resolver cualquier problema de campos y ondas con solo aplicar el formalismo matemático adecuado. Esta visión idealizada oculta las múltiples fronteras que la teoría encuentra al enfrentarse a fenómenos cuánticos, medios materiales complejos, problemas inversos, restricciones computacionales y la propia naturaleza del canal de comunicaciones. El presente artículo de recorre estas fronteras con un enfoque accesible, utilizando analogías y ejemplos tomados del diseño de antenas, líneas de transmisión, fibras ópticas y sistemas de radio, con el propósito de preparar a los estudiantes de ingeniería de telecomunicaciones para los desafíos reales que encontrarán en su práctica profesional. Se muestra que el electromagnetismo de Maxwell, siendo extraordinario, no es el final del camino, sino el punto de partida hacia disciplinas tan diversas como la electrodinámica cuántica, la ciencia de materiales, el análisis numérico y el estudio de los canales de comunicaciones, donde la teoría de la información complementa a Maxwell.

Palabras clave: Ecuaciones de Maxwell, problemas mal planteados, condicionamiento de matrices, enseñanza de la ingeniería, telecomunicaciones.

1. Introducción

Si la física fuese un viaje, el electromagnetismo de Maxwell sería uno de esos mapas que cambiaron la manera de navegar el mundo. Publicadas en su forma definitiva en 1865, las cuatro ecuaciones que llevan su nombre no solo unificaron la electricidad, el magnetismo y la óptica en un solo marco teórico, sino que además predijeron la existencia de ondas electromagnéticas viajando a la velocidad de la luz, abriendo la puerta a la radio, el radar, la televisión, la fibra óptica y, en última instancia, a todas las telecomunicaciones que hoy se dan por descontadas [1].

No es exagerado afirmar que Maxwell proporcionó a la humanidad el mapa más preciso jamás dibujado para entender los fenómenos eléctricos y magnéticos. Los estudiantes de ingeniería de telecomunicaciones recorren este mapa durante varios cursos: primero en las asignaturas de campos electromagnéticos, luego en antenas, líneas de transmisión, microondas y radiopropagación. En cada uno de estos viajes formativos, las ecuaciones de Maxwell aparecen como un faro de certeza, una herramienta que, en principio, lo resuelve todo.

Sin embargo, como todo mapa, el de Maxwell tiene regiones donde la topografía se vuelve borrosa, territorios inexplorados y fronteras que simplemente no están dibujadas. Algunas de estas fronteras son intrínsecas a la propia teoría: el electromagnetismo clásico es incompatible con la mecánica cuántica y, antes de la relatividad especial, adolecía de problemas fundamentales con el concepto de éter y la invariancia de las leyes físicas. Otras fronteras son de naturaleza práctica: los materiales reales no se comportan con la linealidad y la isotropía que los modelos ideales suponen; la dispersión, la saturación, la histéresis y las pérdidas introducen fenómenos que las ecuaciones puras no contemplan. Además, en el diseño de un enlace real, el ingeniero de telecomunicaciones debe considerar que las pérdidas por atenuación, la dispersión y el ruido térmico (este último ausente por completo en el formalismo de Maxwell) se traducen en un presupuesto de enlace que determina si la señal llegará con suficiente relación señal/ruido para ser demodulada correctamente.

También existen fronteras numéricas y computacionales. Cuando se intenta resolver las ecuaciones de Maxwell en geometrías complejas, con métodos como los elementos finitos o los momentos, el problema se convierte en un sistema de ecuaciones lineales que puede ser mal condicionado, computacionalmente inviable o incluso mal planteado en el sentido de Hadamard [2]. A esto se suman las dificultades propias del canal de comunicaciones: la atmósfera, la lluvia, el desvanecimiento y el ruido introducen elementos estocásticos que Maxwell, por sí solo, no puede modelar.

El objetivo de este artículo es precisamente hacer un recorrido por estas fronteras, mostrando que el electromagnetismo de Maxwell, siendo una de las construcciones teóricas más bellas y útiles de la física, no es un sistema cerrado ni omnicomprensivo. Se trata de poner los pies sobre la tierra, de recordar a los estudiantes que el mapa no es el territorio, y que la verdadera destreza del ingeniero no consiste en memorizar ecuaciones, sino en saber cuándo aplicarlas, cuándo simplificarlas y cuándo buscar herramientas complementarias.

El viaje que se propone a continuación tiene varias paradas. En la sección 2 se abordarán las fronteras teóricas, allí donde la relatividad especial y la mecánica cuántica redefinieron los límites del electromagnetismo clásico. En la sección 3 se explorará el desafío de los materiales reales, con su anisotropía, no linealidad y pérdidas. Las secciones 4 y 5 se adentrarán en el complejo mundo de la computación electromagnética, con los problemas bien y mal planteados, y la pesadilla de las matrices mal condicionadas. La sección 6 tratará la irrupción de la inteligencia artificial en el electromagnetismo. La sección 7 abordará la trinchera computacional y las estrategias para abordar problemas de gran escala. La sección 8 se ocupará del canal de comunicaciones, con sus atenuaciones, desvanecimientos y limitaciones fundamentales de capacidad. La sección 9 reflexionará sobre el papel del docente ante estas fronteras. Las conclusiones invitarán a ver estas fronteras no como fracasos de Maxwell, sino como oportunidades para la innovación y el aprendizaje continuo.

2. Las grietas en los cimientos: relatividad y cuantos

El electromagnetismo de Maxwell llegó al mundo como una construcción majestuosa, pero no tardaron en aparecer grietas en sus cimientos. Dos de ellas resultaron ser tan profundas que exigieron una revisión completa de la física: una provenía del mundo de las altas velocidades (la relatividad) y la otra del mundo de lo diminuto (los cuantos). Ambas demostraron que Maxwell, siendo extraordinario, no era la última palabra.

2.1 El fantasma del éter y la llegada de la relatividad

Las ecuaciones de Maxwell predecían que la luz viaja a una velocidad fija, aproximadamente 300000 km/s, y que esta velocidad era una constante universal. Pero, ¿con respecto a qué se medía esa velocidad? Para los físicos del siglo XIX, toda onda necesitaba un medio para propagarse: el sonido viaja por el aire, las olas por el agua. La luz, entonces, debía viajar a través de un medio invisible y omnipresente al que llamaron éter luminífero [1].

El problema era que, si el éter existía, la velocidad de la luz debería ser constante solo con respecto a él. Un observador en movimiento respecto al éter debería medir una velocidad diferente, del mismo modo que un nadador mide distinta la velocidad de las olas si nada a favor o en contra de la corriente. Los experimentos de Michelson y Morley en 1887 intentaron medir esa diferencia y, para asombro de todos, no encontraron nada. La velocidad de la luz era la misma en todas las direcciones y en todas las épocas del año, a pesar de que la Tierra se mueve alrededor del Sol a más de 30 km/s.

Maxwell no podía explicar este resultado. Su teoría requería un sistema de referencia absoluto (el éter), pero la naturaleza se empeñaba en no mostrarlo. La solución llegó en 1905 con Albert Einstein y su teoría de la relatividad especial: no existe el éter, la velocidad de la luz es la misma para todos los observadores inerciales, y el espacio y el tiempo son relativos [1].

A modo de ejemplo, considérense dos personas en un tren en movimiento, jugando a lanzarse una pelota. Para ellas, la pelota viaja a la velocidad normal. Para alguien en el andén, la pelota parece ir más rápido si se lanza hacia adelante. Eso es lo que ocurre con el sonido. Pero si en lugar de una pelota se tratase de un rayo de luz, el observador del andén y el del tren medirían exactamente la misma velocidad. Eso es lo que Maxwell no podía prever y que Einstein convirtió en el pilar de su nueva física.

En términos prácticos, la relatividad especial corrigió el Doppler para la luz. Hoy, esta corrección es fundamental para los sistemas GPS, y de radar; y para medir la velocidad de estrellas y galaxias, lo que permite conocer sobre el origen y destino del Universo.

2.2 La catástrofe ultravioleta y el nacimiento de los cuantos

La segunda gran grieta apareció al intentar explicar cómo los cuerpos calientes emiten radiación. Es conocido que un hierro al rojo vivo brilla con un color rojo, y que a mayor temperatura se vuelve blanco y luego azul. Maxwell permitía calcular la intensidad de la luz emitida en función de la frecuencia (el color). Sin embargo, cuando los físicos aplicaron las ecuaciones, obtuvieron un resultado absurdo: según la teoría clásica, un cuerpo caliente debería emitir una cantidad infinita de energía en las frecuencias más altas (ultravioleta, rayos X, rayos gamma). Este absurdo fue bautizado por el físico Paul Ehrenfest como la catástrofe ultravioleta [1].

La solución llegó en 1900, de la mano de Max Planck, con una idea que él mismo consideraba "un acto de desesperación". Planck propuso que la energía de la radiación no podía tener cualquier valor, sino que solo podía emitirse o absorberse en paquetes discretos, como si fuesen monedas de un billete indivisible. Cada paquete de energía era proporcional a la frecuencia de la luz, según una constante que hoy lleva su nombre (la constante de Planck) [1].

Una analogía útil es la de un grifo que gotea: la física clásica diría que puede gotear cualquier cantidad de agua, desde una fina película hasta una gota enorme. Planck, en cambio, sostuvo que solo puede gotear en gotas de un tamaño fijo, y que para cambiar el tamaño hay que cambiar el grifo. La luz, al interactuar con la materia, solo puede intercambiar energía en esos "paquetes" o cuantos.

Más tarde, Albert Einstein llevó esta idea aún más lejos: en 1905, el mismo año de la relatividad especial, propuso que esos paquetes no eran un truco matemático, sino partículas reales de luz, a las que hoy se llama fotones. Esto explicó el efecto fotoeléctrico: la luz puede arrancar electrones de un metal, pero solo si su frecuencia (y por tanto, la energía de cada fotón) supera un cierto umbral. La intensidad de la luz (número de fotones) solo aumenta la cantidad de electrones arrancados, no su energía. Maxwell, que trataba la luz como una onda continua, no podía explicar por qué una luz muy intensa pero de baja frecuencia no arrancaba electrones, mientras que una luz débil pero de alta frecuencia sí lo hacía [1].

En el ámbito de las telecomunicaciones, el descubrimiento de los fotones y la cuantización de la energía es la base de los láseres, los LED, las fibras ópticas y los detectores de luz en receptores ópticos. Sin entender la naturaleza cuántica de la luz, sería imposible diseñar un sistema de comunicaciones por fibra óptica, ni siquiera un control remoto de televisión por infrarrojos.

2.3 Más grietas: radiación de sincrotrón y auto-energía del electrón

Además de la relatividad y los cuantos, Maxwell también mostraba debilidades en el tratamiento de partículas cargadas en movimiento acelerado.

La radiación de sincrotrón es la emisión de luz por parte de electrones que se mueven en trayectorias curvas, como en los aceleradores de partículas. Maxwell predice que un electrón acelerado emite radiación, pero la teoría clásica falla al calcular la frecuencia exacta y la polarización de esa radiación en regímenes relativistas extremos. Para obtener resultados precisos, es necesario recurrir a la electrodinámica cuántica (QED) [1].

El problema de la auto-energía del electrón es aún más grave. El campo eléctrico que el propio electrón genera posee una energía que, según la teoría clásica, se vuelve infinita si se considera al electrón como una partícula puntual. Una posible salida sería suponer que el electrón tiene un tamaño finito, pero entonces surgiría la pregunta de qué fuerza lo mantiene unido, ya que las partes de su carga se repelerían entre sí. La electrodinámica cuántica resolvió esta cuestión mediante un procedimiento matemático llamado renormalización, que elimina los infinitos y arroja predicciones de una precisión extraordinaria, como el momento magnético del electrón, verificado experimentalmente con doce decimales de exactitud [1].

Aunque estos efectos no afectan al diseño cotidiano de antenas o líneas de transmisión, son fundamentales para comprender los límites últimos de la interacción de la luz con la materia, especialmente en dispositivos de alta frecuencia como los de ondas milimétricas y de Terahertz, que empiezan a explorarse para las futuras generaciones de comunicaciones (6G y más allá). Cabe mencionar que la ecuación de Dirac, formulada en 1928, unificó la mecánica cuántica con la relatividad especial para describir el electrón, prediciendo la existencia de antimateria y sentando las bases de la electrodinámica cuántica [1]. Aunque esta ecuación no es necesaria para el diseño de sistemas de comunicaciones, representa un hito en la comprensión de la naturaleza cuántica de la materia y la luz, y subraya que el electromagnetismo de Maxwell, siendo extraordinario, es solo el primer capítulo de una historia mucho más profunda.

3. El desafío de los materiales: cuando la materia se rebela

Las ecuaciones de Maxwell, en su formulación más pura, describen el comportamiento de los campos eléctricos y magnéticos en el vacío o en medios ideales [1]. Sin embargo, la ingeniería de telecomunicaciones no trabaja en el vacío; se enfrenta a materiales reales, con propiedades que rara vez se ajustan a la perfección de los modelos teóricos. Esta sección explora cómo la materia introduce desafíos que Maxwell, por sí solo, no puede resolver.

En un medio isótropo, las propiedades eléctricas y magnéticas son las mismas en todas las direcciones. El vidrio de una ventana, por ejemplo, permite que la luz viaje a la misma velocidad hacia arriba, hacia abajo o hacia los lados. Sin embargo, muchos materiales de interés en telecomunicaciones no son isótropos, sino anisotrópicos: sus propiedades dependen de la dirección en que se mida. Un caso paradigmático es la ferrita, utilizada en aisladores y circuladores de microondas, donde la permitividad y la permeabilidad son tensores que varían con la orientación del campo con respecto a la estructura cristalina [3]. Esto significa que la dirección de propagación de la onda determina no solo la trayectoria, sino también la velocidad y la atenuación.

Un ejemplo aún más extremo de anisotropía se encuentra en la ionosfera, esa capa de la atmósfera superior ionizada por la radiación solar. Allí, la presencia de electrones libres y el campo magnético terrestre convierten al medio en un plasma con propiedades notables. Una de ellas es la rotación de Faraday: cuando una onda linealmente polarizada atraviesa la ionosfera, su plano de polarización rota progresivamente debido a la diferente velocidad de fase de las componentes circularmente polarizadas. Este efecto, que Maxwell predice cualitativamente, requiere para su cálculo cuantitativo conocer la densidad electrónica total a lo largo del trayecto, una variable que varía con la hora del día, la actividad solar y la ubicación geográfica. Por eso, los sistemas de comunicación en HF y los radares transhorizonte deben incorporar modelos ionosféricos que van mucho más allá de las ecuaciones de Maxwell puras, combinándolas con la física del plasma y con mediciones en tiempo real y predicciones.

Otro desafío fundamental es la no linealidad. En un material lineal, la permitividad y la permeabilidad son constantes, independientemente de la intensidad del campo. Pero cuando los campos son intensos, o cuando el material tiene propiedades especiales, la linealidad se rompe. En los transformadores y motores eléctricos, el núcleo de hierro se satura: la permeabilidad cae drásticamente y el material deja de "conducir" más flujo por mucho que aumente la corriente. Las ecuaciones de Maxwell lineales predicen un aumento lineal del flujo, pero la realidad impone un techo físico [1]. En fibra óptica, la potencia óptica puede ser tan alta que el índice de refracción del vidrio cambia con la intensidad de la luz, produciendo efectos como la modulación de fase automática y la mezcla de ondas, que distorsionan las señales y limitan la capacidad de transmisión. A modo de símil, un material lineal es como un resorte que se estira proporcionalmente a la fuerza aplicada; un material no lineal es como un resorte que, a partir de cierta carga, se vuelve más rígido o se rompe, o bien queda permanentemente deformado sin volver a su condición inicial.

La dispersión es otra propiedad que complica el panorama. En el vacío, todas las frecuencias viajan a la misma velocidad: la luz roja, verde y azul recorren la misma distancia en el mismo tiempo. En los materiales, esto no es así [1]. La relación de dispersión, que vincula la frecuencia angular con el número de onda, describe cómo la velocidad de propagación depende de la frecuencia. En un medio no dispersivo, esta relación es lineal (velocidad constante), por lo que un pulso que contiene muchas frecuencias se propaga sin distorsionarse. En un medio dispersivo, en cambio, la relación no es lineal: la velocidad de fase y la velocidad de grupo son diferentes y dependen de la frecuencia.

Esta dependencia frecuencial produce efectos severos en las comunicaciones digitales. Uno de los más críticos es la interferencia entre símbolos (ISI, por sus siglas en inglés). En un sistema de transmisión digital, la información se codifica en pulsos que representan bits o símbolos. Si el medio es dispersivo, cada pulso se ensancha al propagarse: las componentes de alta frecuencia viajan a una velocidad distinta que las de baja frecuencia, y el pulso se "estira" en el tiempo. Cuando la duración del pulso ensanchado excede el intervalo de tiempo entre símbolos consecutivos, los pulsos se superponen y el receptor ya no puede distinguir si un bit pertenece a un símbolo o al siguiente. Esta superposición es la interferencia entre símbolos, y es una de las principales causas de error en comunicaciones de alta velocidad. Para mitigar la ISI, los ingenieros de telecomunicaciones utilizan técnicas como la ecualización adaptativa (filtros FIR que invierten la respuesta del canal), la precodificación en el transmisor (como el precoding de Tomlinson-Harashima) o el uso de esquemas de modulación robustos como el OFDM, donde se añade un prefijo cíclico que elimina la ISI si se elige adecuadamente.

En el caso de la fibra óptica de larga distancia, por ejemplo, los pulsos de luz que representan los bits viajan a través del vidrio, pero debido a la dispersión cromática, las diferentes longitudes de onda que componen cada pulso llegan al receptor en instantes ligeramente distintos. Si la tasa de transmisión es alta (por ejemplo, 10 Gbps o más), los pulsos son muy cortos y el ensanchamiento causado por la dispersión hace que se solapen con los pulsos adyacentes. El resultado es un "borrón" de la señal, donde el receptor no puede decidir si recibió un 1 o un 0. Este fenómeno, además de provocar ISI, produce una rotación de fase en la constelación de modulación (por ejemplo, en QAM de 64 o 256 estados), degradando la tasa de error de bit (BER) y obligando a utilizar códigos de corrección de errores (FEC) para recuperar la información.

En comunicaciones por radio, la dispersión también se manifiesta en el desvanecimiento selectivo en frecuencia, típico de canales con multitrayecto (como los entornos urbanos para 5G). En estos casos, la señal llega al receptor por múltiples caminos (rebotes en edificios, coches, etc.), cada uno con un retardo y una atenuación diferentes. El resultado es que ciertas frecuencias se cancelan destructivamente, produciendo "huecos" en el espectro de la señal recibida. Este efecto, combinado con la ISI, hace que la respuesta del canal varíe con el tiempo y la frecuencia, por lo que los receptores deben estimar continuamente el canal (problema inverso) y adaptar sus ecualizadores en tiempo real. Los modelos estadísticos de canal (Rayleigh, Rician) se utilizan para describir este comportamiento, complementando así a Maxwell con herramientas de la teoría de los procesos aleatorios [3].

Es importante destacar que el ruido térmico, que no está contemplado en las ecuaciones de Maxwell, es otro factor determinante en el rendimiento de un enlace. La relación señal/ruido (SNR) que resulta de combinar la potencia recibida (afectada por las pérdidas de Maxwell) y el ruido del receptor (caracterizado por su figura de ruido) es la que finalmente determina la capacidad del canal según Shannon [4]. Por tanto, un ingeniero de telecomunicaciones debe considerar no solo la propagación de la onda, sino también el balance de potencias, la figura de ruido y los márgenes de desvanecimiento para garantizar que el enlace funcione aún en condiciones adversas.

Un caso práctico ilustra esta complejidad: en un enlace de radio digital de 100 km en la banda de 5 GHz, el ingeniero debe calcular las pérdidas por espacio libre (que sí predice Maxwell), pero también las pérdidas por lluvia (que requieren modelos empíricos), la dispersión causada por la atmósfera, el desvanecimiento por multitrayecto y el ruido del receptor. Si el margen de potencia no es suficiente, el enlace puede fallar durante tormentas o cambios de temperatura. La solución no es "resolver Maxwell" sino combinar Maxwell con modelos de canal, técnicas de ecualización, códigos de corrección de errores y diversidad de antenas; un enfoque integral que va mucho más allá del electromagnetismo clásico [3].

A estas dificultades se suma la histéresis, el fenómeno por el cual la magnetización de un material ferromagnético no sigue reversiblemente el campo aplicado, sino que presenta un ciclo que disipa energía en forma de calor. Esto no solo reduce la eficiencia de transformadores y motores, sino que introduce una dependencia del estado previo del material, algo que las ecuaciones de Maxwell, intrínsecamente reversibles, no pueden capturar [1]. La histéresis es como una memoria del material: una vez magnetizado en una dirección, "recuerda" esa orientación y no retorna al cero sin un esfuerzo adicional.

Además de los efectos físicos, la ISI y la distorsión por dispersión tienen consecuencias en capas superiores del modelo de comunicaciones. Por ejemplo, si la tasa de error de bit (BER) supera un cierto umbral, los protocolos de enlace (como ARQ, Automatic Repeat reQuest) solicitan retransmisiones de paquetes, lo que reduce el rendimiento efectivo (throughput) de la red. Esto significa que un problema físico (dispersión) se traduce en un problema de red (mayor latencia, menor capacidad útil), y el ingeniero de telecomunicaciones debe ser capaz de entender esta cadena de efectos para diseñar sistemas robustos.

Aunque las ecuaciones de Maxwell son lineales, la no linealidad de los materiales reales puede llevar a comportamientos dinámicos complejos, que en algunos casos han sido analizados desde la perspectiva de la teoría del caos [1]. En cristales fotónicos no lineales, por ejemplo, la estructura de bandas depende de la intensidad de la onda, y las soluciones estacionarias pueden volverse inestables ante pequeñas perturbaciones. En materiales ferromagnéticos amorfos, la interacción entre tensiones internas y campos magnéticos produce respuestas que presentan sensibilidad a condiciones iniciales. Incluso en dispositivos activos como los amplificadores de potencia utilizados en estaciones base 5G, la no linealidad puede dar lugar a inestabilidades que distorsionan la señal y generan interferencias [3]. El ingeniero de telecomunicaciones, sin necesidad de dominar la teoría del caos, debe ser consciente de que la no linealidad puede introducir histéresis, bifurcaciones y zonas de operación inestables, lo que refuerza la necesidad de validar experimentalmente los diseños y de utilizar modelos numéricos que capturen estos efectos.

En última instancia, todos estos fenómenos revelan un hecho fundamental: las ecuaciones de Maxwell no son un sistema cerrado. Para aplicarlas a un material real, se necesitan las llamadas relaciones constitutivas, que conectan los campos con la permitividad, la permeabilidad y la conductividad [1]. En el vacío, estas relaciones son triviales; en los materiales reales, son complejas, a menudo empíricas, y a veces ni siquiera se conocen con precisión. Un ingeniero que diseña una antena en presencia de un dieléctrico, o un enlace de fibra óptica de 10000 km, no puede limitarse a resolver las ecuaciones de Maxwell; debe medir o estimar cómo responde el material en todo el rango de frecuencias de interés, y luego introducir esos datos en un simulador numérico que, como se verá en secciones posteriores, tiene sus propias limitaciones [5]. Por eso, la ciencia de materiales y la ingeniería de comunicaciones se han convertido en disciplinas hermanas del electromagnetismo: no basta con saber qué dice Maxwell, sino también qué hacen realmente los materiales y cómo se comportan los sistemas completos cuando se enfrentan a sus ecuaciones.

4. Problemas bien y mal planteados: cuando la solución no es estable

Hasta ahora se han explorado las limitaciones de Maxwell en el mundo físico: los fenómenos cuánticos, la relatividad, la complejidad de los materiales y la distorsión en los canales de comunicaciones. Sin embargo, existe otra frontera, quizás menos conocida pero igualmente crucial, que se manifiesta cuando se intenta resolver las ecuaciones de Maxwell no con lápiz y papel, sino con computadores. Se trata de la distinción entre problemas bien planteados y mal planteados, un concepto que el matemático francés Jacques Hadamard formalizó a principios del siglo XX y que resultó ser una piedra de toque para la electromagnetismo computacional [2].

Hadamard estableció que un problema matemático está bien planteado si cumple tres condiciones: la solución existe, es única, y depende de forma continua de los datos de entrada [2]. Esta última condición, conocida como estabilidad, es la más sutil y la que con frecuencia se vulnera en electromagnetismo. La estabilidad implica que pequeños cambios en las condiciones de contorno, en la geometría o en las fuentes producen solo pequeños cambios en la solución. Cuando esto no ocurre, el problema se dice mal planteado, y resolverlo numéricamente se convierte en una empresa peligrosa, donde los errores de redondeo o las imprecisiones en los datos pueden amplificarse hasta hacer que la solución computacional sea completamente inútil [6].

En el electromagnetismo de Maxwell, los problemas directos —aquellos en los que se conocen las fuentes (cargas y corrientes) y las condiciones de contorno, y se desea calcular los campos— son generalmente bien planteados en dominios regulares y con materiales lineales [1]. Por ejemplo, calcular la radiación de una antena dipolo en el espacio libre es un problema bien planteado: existe una solución única (las ecuaciones de Maxwell la determinan), y pequeños errores en la corriente de alimentación producen pequeños cambios en el patrón de radiación. Este tipo de problemas son los que los estudiantes resuelven en sus cursos de antenas y líneas de transmisión, y suelen tener soluciones analíticas o numéricas estables.

El problema surge con los problemas inversos, que son aquellos en los que se miden los campos o los efectos de las ondas y se desea inferir las fuentes o las propiedades del medio que los produjeron [7]. En telecomunicaciones, los problemas inversos son omnipresentes. Un ejemplo clásico es la estimación del canal: en un receptor, se recibe una señal distorsionada por el canal (multitrayecto, dispersión, ruido), y se debe estimar la respuesta del canal para poder ecualizar la señal y recuperar los datos. Este es un problema inverso, y suele ser mal planteado porque pequeñas variaciones en la señal recibida (debidas al ruido) pueden producir estimaciones muy diferentes de la respuesta del canal [7].

Otro ejemplo paradigmático es la tomografía de impedancia eléctrica, utilizada en medicina y en geofísica: se inyectan corrientes en la superficie de un cuerpo y se miden los potenciales resultantes, con el objetivo de reconstruir la distribución de conductividad en el interior. Este problema es notoriamente mal planteado, porque la solución es extremadamente sensible a los errores de medición: un pequeño ruido en los electrodos puede transformar por completo la imagen reconstruida [7]. En ingeniería de telecomunicaciones, un problema análogo aparece en la localización de fuentes de interferencia o en la caracterización de materiales a partir de medidas de scattering, donde la inversión de los datos de campo lejano (y cercano) es un problema mal planteado que requiere técnicas de regularización para obtener soluciones estables [6].

Otra analogía cercana a las telecomunicaciones es la estimación de un canal de comunicaciones. Supóngase que se transmite una secuencia de entrenamiento conocida a través de un canal, y en el receptor se mide la señal distorsionada. El problema directo (calcular la señal recibida a partir del canal) es bien planteado. Pero el problema inverso (estimar la respuesta del canal a partir de la señal recibida) es extremadamente sensible: un pequeño error en la medición, provocado por el ruido térmico, puede producir estimaciones muy diferentes de la respuesta del canal. Es como intentar reconstruir una foto borrosa sin saber el filtro que la desenfocó; hay muchas soluciones posibles, y pequeñas variaciones en el ruido pueden cambiar drásticamente la estimación [7].

En la práctica, los ingenieros de telecomunicaciones se enfrentan a problemas mal planteados en varias situaciones cotidianas. Por ejemplo, en la ecualización de canales, el receptor debe estimar la respuesta al impulso del canal a partir de una secuencia de entrenamiento conocida. Si el canal es severamente dispersivo, el problema de estimación puede ser mal condicionado, y las técnicas de ecualización lineal (como el filtro de mínimos cuadrados) pueden amplificar el ruido en lugar de eliminarlo [8]. Por eso se utilizan ecualizadores no lineales (como el Decision Feedback Equalizer, DFE) o algoritmos de máxima verosimilitud (MLSE) que son más robustos, aunque computacionalmente más costosos.

Otro caso frecuente es la síntesis de antenas, donde se desea encontrar la distribución de corriente en una antena que produzca un patrón de radiación deseado [3]. Este es un problema inverso que puede ser mal planteado, especialmente si se intenta generar patrones muy directivos o con nulos profundos; la solución puede requerir corrientes muy grandes en puntos específicos de la antena, lo que físicamente es irrealizable. Para resolverlo, los ingenieros recurren a técnicas de regularización, como el método de la mínima norma o la regularización de Tikhonov, que añaden restricciones adicionales para estabilizar la solución [6].

La conexión entre los problemas mal planteados y las matrices mal condicionadas, que se abordará en la sección siguiente, es directa: al discretizar un problema inverso, la matriz resultante suele tener un número de condición muy alto, lo que la hace casi singular y extremadamente sensible a los errores de redondeo [8]. Pero incluso antes de llegar al computador, el ingeniero debe reconocer que no todos los problemas de Maxwell son iguales: algunos son naturales y estables (los directos), y otros son como intentar adivinar la forma de una roca bajo el agua solo midiendo las ondas en la superficie. La distinción entre bien y mal planteados no es un matiz académico, sino una advertencia práctica: si no se toman precauciones, el computador puede entregar una solución que parece razonable pero que es completamente errónea.

5. La pesadilla de las matrices: condicionamiento, densidad y su impacto en la optimización

Cuando las ecuaciones de Maxwell se trasladan al dominio numérico para resolver problemas complejos, el continuo de campos y corrientes se discretiza en un número finito de incógnitas. Este proceso, ya sea mediante elementos finitos, diferencias finitas o el método de los momentos, convierte el problema en un sistema de ecuaciones lineales de la forma [A]·[x] = [b], donde [A] es una matriz que representa al operador de Maxwell, [x] es el vector de incógnitas (campos o corrientes) y [b] es el vector de fuentes [9][5][10].

La naturaleza de esta matriz [A] es la que determina si el problema numérico será tratable o no. Dos propiedades son especialmente críticas: el condicionamiento (qué tan sensible es la solución a errores en los datos) y la densidad (cuántos elementos distintos de cero tiene la matriz, lo que afecta al almacenamiento y al tiempo de cómputo) [8]. Pero más allá de la mera resolución del sistema, estas propiedades tienen un impacto profundo en el objetivo último de la ingeniería: la optimización.

El número de condición de una matriz, denotado como κ(A), es una medida de cuán cerca está [A] de ser singular (es decir, de no tener inversa). Un número de condición bajo (cercano a 1) indica una matriz bien condicionada, donde pequeños errores en [b] producen pequeños errores en [x]. Un número de condición alto (digamos, 10⁶ o más) indica una matriz mal condicionada, donde los errores de redondeo o las imprecisiones en los datos de entrada se amplifican enormemente, haciendo que la solución numérica pueda ser completamente errónea [8].

En electromagnetismo, el mal condicionamiento aparece en múltiples escenarios. Por ejemplo, en problemas de baja frecuencia (como el análisis de circuitos impresos), la matriz puede tener un número de condición muy alto debido a la gran diferencia de escala entre los fenómenos eléctricos y magnéticos [5]. En problemas de scattering con objetos muy delgados o muy próximos entre sí, las matrices también tienden a ser mal condicionadas. En el método de los momentos, las matrices son densas y su número de condición puede crecer rápidamente con el número de incógnitas, especialmente si se utilizan funciones base de orden bajo [9][10].

Además del condicionamiento, la densidad de la matriz es un factor determinante. En el método de los momentos, [A] es una matriz densa: casi todos sus elementos son distintos de cero, porque cada elemento de corriente interactúa con todos los demás a través del núcleo de Green [9][10]. Almacenar una matriz densa de tamaño n×n requiere una memoria para una complejidad de orden O(n²), y resolver el sistema mediante eliminación gaussiana requiere O(n³) operaciones. Esto significa que si se duplica el número de incógnitas, el tiempo de cómputo se multiplica por ocho. Para una antena de 10000 incógnitas, la solución directa requiere del orden de 10¹² operaciones, lo que puede tomar horas o días en un supercomputador [10].

En contraste, los métodos de elementos finitos producen matrices dispersas (con pocos elementos distintos de cero), que requieren memoria para una complejidad O(n) y pueden resolverse con métodos iterativos en O(n²) o incluso O(n) en el mejor de los casos [5]. Sin embargo, la dispersión tiene un precio: la geometría debe ser mallada, y el mallado de objetos con detalles finos o con materiales muy contrastados puede ser problemático, además de que los métodos iterativos pueden no converger si la matriz está mal condicionada [5].

Aquí es donde la perspectiva de la optimización se vuelve crucial. En ingeniería de telecomunicaciones, rara vez se resuelve Maxwell por sí solo; casi siempre se resuelve Maxwell como parte de un proceso de diseño o ajuste de parámetros. Por ejemplo, el diseñador de una antena de array desea encontrar las amplitudes y fases de alimentación que maximizan la ganancia en una dirección determinada y minimizan los lóbulos laterales [3]. El diseñador de un filtro de microondas desea ajustar las dimensiones de las resonancias para obtener una respuesta en frecuencia específica [3]. Estos son problemas de optimización, donde la función objetivo depende de resolver Maxwell en cada iteración.

Las limitaciones numéricas de Maxwell se traducen directamente en dificultades para la optimización. Considérese un problema de optimización de antenas con 20 parámetros (por ejemplo, las posiciones de los elementos de un array o las dimensiones de una antena de parche). Si cada evaluación de la función objetivo (es decir, cada resolución de Maxwell) requiere 10 minutos en un computador de alto rendimiento, y el algoritmo de optimización necesita 10000 evaluaciones para converger, el tiempo total de diseño sería de 100000 minutos, casi 70 días. Esto hace que el uso de métodos de optimización clásicos (como gradiente descendente) sea prohibitivo, y obliga a recurrir a metaheurísticas (algoritmos genéticos, enjambre de partículas) que, aunque requieren más evaluaciones, pueden paralelizarse y explorar mejor el espacio de diseño [11][12].

Pero hay un problema aún más sutil. En muchos problemas de optimización electromagnética, la función objetivo no es convexa: tiene múltiples mínimos locales, y los métodos de gradiente pueden quedar atrapados en soluciones subóptimas. Además, si la matriz [A] está mal condicionada, el gradiente de la función objetivo (que requiere resolver un sistema de ecuaciones similar a [A]·[x]=[b]) será extremadamente sensible a perturbaciones, lo que puede hacer que el algoritmo de optimización diverja o converja a soluciones incorrectas. En estos casos, la regularización se convierte en una herramienta indispensable: se añade un término de penalización a la función objetivo para estabilizar el problema [6]. Por ejemplo, en la síntesis de antenas, se puede penalizar la norma de las corrientes para evitar soluciones con amplitudes extremadamente altas, que además de ser físicamente irrealizables, inestabilizan el problema numérico [3].

Un ejemplo concreto de este fenómeno se encuentra en la ecualización de canales. En un receptor digital, se debe estimar la respuesta al impulso del canal a partir de una secuencia de entrenamiento. Matemáticamente, esto implica resolver un sistema de ecuaciones lineales donde la matriz de correlación de la señal transmitida puede estar mal condicionada si la secuencia de entrenamiento tiene correlaciones altas o si el canal es severamente dispersivo [8]. En estos casos, los ecualizadores lineales (como el filtro de mínimos cuadrados) amplifican el ruido en lugar de eliminarlo, degradando la relación señal/ruido. La solución práctica es utilizar ecualizadores no lineales (como el Decision Feedback Equalizer, DFE) o técnicas de regularización que estabilicen la estimación [6], mostrando cómo un problema de matrices mal condicionadas se traduce directamente en un problema de rendimiento en un sistema de comunicaciones real.

Para ilustrar esta conexión entre matrices, optimización y limitaciones de Maxwell, considérese también el diseño de un filtro de microondas de banda estrecha. El ingeniero desea ajustar las dimensiones de las cavidades resonantes para obtener una respuesta de transmisión con una pérdida de inserción mínima y una selectividad máxima. Cada evaluación de la respuesta del filtro requiere resolver Maxwell en la geometría tridimensional, lo que da lugar a una matriz mal condicionada si las cavidades están débilmente acopladas o si las frecuencias están cerca de la resonancia [5]. El problema de optimización es no convexo: la función de pérdida de inserción tiene múltiples mínimos locales correspondientes a diferentes combinaciones de dimensiones. Un algoritmo de optimización basado en gradiente podría encontrar un mínimo local, pero si la matriz está mal condicionada, el gradiente calculado será ruidoso y el algoritmo podría no converger. Por eso, los diseñadores recurren a algoritmos genéticos, que exploran el espacio de diseño de forma global y son menos sensibles al ruido [11], o a técnicas de surrogate modeling (modelos sustitutos) como redes neuronales o procesos gaussianos, que aprenden la relación entre parámetros de diseño y respuesta electromagnética a partir de un número reducido de evaluaciones de Maxwell, y luego optimizan el modelo sustituto en lugar del modelo original [14][15].

En los problemas inversos mencionados en la sección anterior (estimación de canal, síntesis de antenas, caracterización de materiales), la optimización es inherente: se busca el conjunto de parámetros que minimiza la diferencia entre los datos medidos y los predichos por Maxwell. Estos problemas son mal planteados, y la optimización sin regularización produce soluciones inestables que oscilan violentamente o toman valores físicamente absurdos [7][6]. La regularización de Tikhonov añade un término de penalización que favorece soluciones suaves o de pequeña norma [6]. En la práctica, esto equivale a reemplazar el problema original por uno que busca un equilibrio entre ajustar los datos y cumplir con una restricción de suavidad. El parámetro de regularización controla este equilibrio y debe ajustarse cuidadosamente, porque un valor demasiado alto produce soluciones demasiado suaves que no ajustan los datos, y un valor demasiado bajo produce soluciones inestables. Esta técnica, ampliamente utilizada en ecualización de canales y en diseño de antenas, es un ejemplo de cómo la optimización y la regularización se convierten en herramientas indispensables para domar las limitaciones numéricas de Maxwell [6].

La resolución de las ecuaciones de Maxwell en un computador no es un fin en sí mismo, sino un medio para alcanzar un objetivo de diseño. Las limitaciones de las matrices (condicionamiento y densidad) no son solo obstáculos académicos: condicionan qué problemas de optimización pueden resolverse, con qué precisión y en qué tiempo. La ingeniería moderna de telecomunicaciones no puede ignorar esta realidad, y los estudiantes deben ser conscientes de que, detrás de cada diseño de antena o filtro, hay un problema de optimización que a menudo es más difícil que la propia física de Maxwell.

6. La irrupción de la IA en el electromagnetismo

En la última década, un nuevo actor ha irrumpido en el escenario del electromagnetismo computacional: la inteligencia artificial (IA), especialmente en sus variantes de aprendizaje profundo. Lejos de reemplazar a Maxwell, la IA se está convirtiendo en un complemento poderoso, capaz de acelerar simulaciones, resolver problemas inversos y explorar espacios de diseño que antes eran inaccesibles [13][14][15].

El enfoque más disruptivo es el de las Physics-Informed Neural Networks (PINNs). En lugar de discretizar el dominio con una malla de elementos finitos, un PINN entrena una red neuronal para que sus salidas (los campos eléctricos y magnéticos) satisfagan las ecuaciones de Maxwell en un conjunto de puntos de muestreo. La "física" se introduce como un término de penalización en la función de pérdida, de modo que la red aprende no solo a ajustar datos, sino a respetar las leyes de la naturaleza [13]. Esto los hace especialmente atractivos para problemas con geometrías complejas o con dominios que cambian en el tiempo, donde el mallado es problemático.

Para entender cómo funciona el entrenamiento de una PINN, considérese un estudiante que debe aprender a dibujar el campo eléctrico alrededor de una antena, pero sin conocer la solución exacta. El profesor (la función de pérdida) le dice: "Tu dibujo debe satisfacer las ecuaciones de Maxwell en cada punto, y además debe cumplir las condiciones de contorno (por ejemplo, que el campo tangencial en la superficie de la antena sea cero)". El estudiante ajusta su dibujo (los parámetros de la red neuronal) iterativamente, reduciendo los errores hasta que el dibujo es físicamente consistente. Eso es exactamente lo que hace una PINN: aprende la solución de Maxwell sin necesidad de datos etiquetados, solo utilizando las leyes de la física como guía [13][16].

Una evolución más reciente son los operadores neuronales, como el Deep Operator Network (DeepONet) o los Fourier Neural Operators (FNO) [14][15]. En lugar de aprender una solución particular, estos modelos aprenden el operador que mapea los parámetros de entrada (por ejemplo, la geometría de una antena o la frecuencia de la onda incidente) a la solución de las ecuaciones de Maxwell. Una vez entrenados, pueden predecir los campos electromagnéticos para nuevas configuraciones sin necesidad de reentrenar y en una fracción del tiempo que tomaría un simulador clásico [15]. Por ejemplo, se ha demostrado que un operador neuronal puede predecir los campos tridimensionales transformados por una metasuperficie con un error relativo de solo el 3.9 % y una aceleración de 67 veces respecto a una simulación convencional [17].

Una aplicación especialmente interesante de los PINNs en telecomunicaciones es la estimación de canal. En lugar de utilizar métodos clásicos (como el filtro adaptado o el de mínimos cuadrados), un PINN puede aprender directamente el mapeo entre la señal recibida y la respuesta al impulso del canal, incorporando la física de la propagación como una restricción [13][17]. Esto es particularmente útil en canales con dispersión severa o con condiciones de contorno complejas, donde los métodos clásicos pueden ser inestables o requerir un conocimiento detallado del modelo de canal.

Sin embargo, la IA no es una bala de plata. El coste de entrenamiento puede ser prohibitivo: para que un operador neuronal sea preciso, se necesita un dataset de entrenamiento que puede requerir miles de simulaciones de Maxwell, lo que anula la aceleración si solo se va a usar el modelo una vez [14][15]. Además, la generalización a geometrías o frecuencias muy diferentes a las del conjunto de entrenamiento sigue siendo un problema abierto [16]. Estudios comparativos han mostrado que, en muchos casos, la precisión de los PINNs es inferior a la de los métodos clásicos (FEM, BEM), especialmente en problemas con alta frecuencia o con fuertes variaciones de los materiales [13][16].

Por eso, el enfoque más prometedor en la práctica es el híbrido: combinar métodos clásicos con PINNs, asignando a la IA las regiones del dominio donde los métodos numéricos son menos eficientes, y utilizando la IA para acelerar el proceso de optimización [13][15]. Este ecosistema de herramientas —heurísticos, modelos sustitutos, operadores neuronales y métodos clásicos— es el que el ingeniero de telecomunicaciones del futuro deberá dominar.

7. La trinchera computacional: escalas, coste y estrategias prácticas

Las secciones anteriores han mostrado que resolver Maxwell en una computadora no es un proceso trivial. La discretización convierte el problema en un sistema de ecuaciones lineales que puede ser mal condicionado, denso y costoso de resolver [9][5][10]. Pero hay un aspecto adicional que agrava aún más la situación: la escala. Los problemas de electromagnetismo en telecomunicaciones abarcan dimensiones que van desde los nanómetros (en el interior de un transistor o en una fibra óptica) hasta los kilómetros (en la propagación de ondas de radio en la atmósfera). Esta disparidad de escalas es un desafío computacional de primer orden.

Cuando se simula un dispositivo de alta frecuencia, como un circuito integrado de microondas, las dimensiones de los conductores y los dieléctricos pueden ser del orden de micrómetros o incluso nanómetros, mientras que la longitud de onda de la señal puede ser de milímetros o centímetros [5]. Para resolver Maxwell en estos dominios, la malla debe ser lo suficientemente fina para capturar los detalles de la geometría (del orden de décimas de la longitud de onda), lo que puede dar lugar a millones o decenas de millones de incógnitas. Resolver un sistema de esa magnitud con un método directo (como la eliminación gaussiana) es impracticable, y los métodos iterativos pueden converger lentamente si la matriz está mal condicionada [5].

En el otro extremo de la escala, los problemas de propagación en entornos urbanos para sistemas 5G o 6G requieren simular ondas que viajan a través de edificios, vehículos y árboles, con dimensiones que van desde centímetros hasta cientos de metros [3]. En estos casos, la longitud de onda puede ser de unos pocos centímetros (para bandas milimétricas), pero el dominio de simulación es de cientos de metros. Mallar todo el dominio con la resolución necesaria daría lugar a un número de incógnitas astronómico, y la simulación sería inviable.

Frente a esta maldición de la escala, la ingeniería ha desarrollado estrategias prácticas que, sin abandonar Maxwell, permiten abordar problemas de gran tamaño con recursos computacionales razonables. Algunas de ellas son:

• Métodos de dominio de tiempo (FDTD), que resuelven las ecuaciones de Maxwell en el dominio del tiempo con un coste computacional que escala linealmente con el tamaño de la malla, pero que requieren que la malla sea uniforme y que las condiciones de contorno absorbentes sean de alta calidad para evitar reflexiones espurias [5].
• Métodos de dominio de frecuencia (MoM, FEM), que permiten mallados no uniformes y se adaptan mejor a geometrías complejas, pero que sufren de matrices densas o mal condicionadas [9][5].
• Métodos multinivel (como el MLFMA) que aceleran la multiplicación matriz-vector en el método de los momentos, reduciendo la complejidad de O(n²) a O(nlog(n)), haciendo posible resolver problemas con millones de incógnitas [10].
• Modelos híbridos, que combinan métodos analíticos (para regiones simples) con métodos numéricos (para regiones complejas), reduciendo el número de incógnitas [10]. Por ejemplo, en el diseño de un reflector parabólico, se puede usar la óptica geométrica para el reflector y el método de los momentos para la alimentación [3].
• Técnicas de reducción de modelo (model order reduction), que construyen modelos matemáticos simplificados (como las bases de funciones propias) que aproximan la respuesta del sistema completo con un número mucho menor de incógnitas, permitiendo simulaciones rápidas en la etapa de diseño [5].
• Surrogate modeling (modelos sustitutos), que utiliza redes neuronales o procesos gaussianos para aprender la relación entre parámetros de diseño y respuesta electromagnética a partir de un número limitado de simulaciones completas, y luego optimiza el modelo sustituto en lugar del modelo original [14][15].

A pesar de todos estos avances, existe una clase de problemas donde las técnicas convencionales (gradiente, Newton, etc.) simplemente no funcionan o son inaplicables. Se trata de problemas donde la función objetivo es no convexa, discontinua, ruidosa (debido a errores numéricos) o sin derivadas analíticas (porque la respuesta se obtiene mediante una simulación numérica que no proporciona gradientes). En estos casos, los métodos heurísticos —también llamados metaheurísticas— son, al parecer, la única opción práctica [11][12][18].

Los métodos heurísticos son algoritmos de optimización que exploran el espacio de diseño de forma estocástica o basada en reglas empíricas, sin garantizar encontrar el óptimo global, pero con una alta probabilidad de encontrar soluciones muy buenas en un tiempo razonable [11]. Entre los más utilizados en electromagnetismo se encuentran:

• Algoritmos genéticos: inspirados en la evolución biológica, mantienen una población de soluciones (cromosomas) que se combinan y mutan a lo largo de generaciones [11]. Son muy robustos para problemas con múltiples mínimos locales y funcionan con cualquier tipo de variables (continuas, discretas, enteras). Se utilizan, por ejemplo, para diseñar la geometría de una antena de parche o para optimizar las posiciones de los elementos de un array [3].
• Recocido simulado (Simulated Annealing): inspirado en el proceso de enfriamiento de metales, permite aceptar soluciones peores con cierta probabilidad para escapar de mínimos locales [18]. Es eficaz en problemas con funciones de coste irregulares, como el diseño de filtros de microondas con especificaciones exigentes de selectividad [3].
• Optimización por enjambre de partículas: inspirada en el comportamiento de bandadas de aves o bancos de peces, utiliza un conjunto de "partículas" que se mueven por el espacio de diseño siguiendo sus propias mejores posiciones y la mejor posición global [12]. Es muy eficiente para problemas de optimización continua con muchas variables, como el ajuste de amplitudes y fases en un array de antenas [3].
• Búsqueda armónica y colonia de hormigas: otras metaheurísticas que se aplican en problemas específicos, como la síntesis de diagramas de radiación con restricciones de lóbulos laterales [11].

En los últimos años, los métodos heurísticos han encontrado un complemento natural en el aprendizaje automático y en la optimización bayesiana. En lugar de realizar evaluaciones de Maxwell de forma completamente aleatoria o evolutiva, los ingenieros utilizan modelos sustitutos (procesos gaussianos, redes neuronales) que aprenden la función objetivo a partir de evaluaciones anteriores y guían la búsqueda hacia regiones prometedoras del espacio de diseño [15]. Este enfoque, conocido como optimización bayesiana, combina la exploración global (característica de los heurísticos) con la explotación local (característica de los métodos de gradiente) [15].

Por ejemplo, en el diseño de un filtro de microondas con 10 parámetros geométricos, un algoritmo genético podría necesitar 10000 evaluaciones de Maxwell para converger; un optimizador bayesiano con un modelo sustituto podría reducirlo a 500 evaluaciones, manteniendo una calidad de solución similar. En la práctica, muchos diseñadores utilizan híbridos: primero, un algoritmo genético explora el espacio globalmente; luego, un método de gradiente (si la función es suave) o un optimizador bayesiano afinan la solución localmente [15][11].

Es importante destacar que los métodos heurísticos no han sido "reemplazados" por el aprendizaje automático; más bien, ambos coexisten y se potencian. Los heurísticos son insustituibles en problemas donde la función objetivo es ruidosa o discontinua (como ocurre a menudo en simulaciones electromagnéticas con mallados variables), y el aprendizaje automático proporciona aceleración cuando la función es suficientemente regular para ser aproximada por un modelo sustituto [14][15].

No existe una receta única para elegir entre todas estas técnicas. La decisión depende de factores como el número de variables, el coste de cada evaluación de Maxwell, la suavidad de la función objetivo, las restricciones de tiempo y la precisión requerida [3][10]. Un ingeniero de telecomunicaciones experimentado desarrolla un criterio para seleccionar la herramienta adecuada: a veces usará un método de gradiente si la función es bien comportada; otras veces recurrirá a un algoritmo genético si el problema es muy irregular; y en muchas ocasiones combinará varias técnicas en un flujo de trabajo híbrido.

En este sentido, el conocimiento de las limitaciones de Maxwell es tan importante como el conocimiento de las técnicas de optimización. No se trata de buscar una solución "exacta" (que a menudo no existe en la práctica), sino de encontrar un diseño que cumpla con las especificaciones con un coste computacional aceptable [3]. Esa es la esencia de la ingeniería: saber equilibrar el rigor físico con las restricciones prácticas del mundo real.

8. El canal ingobernable: atmósfera, fading y ruido

Hasta ahora se ha recorrido un largo camino: desde las grietas teóricas de Maxwell hasta la complejidad de los materiales, pasando por los problemas numéricos y la irrupción de la IA. Pero hay una frontera más, quizás la más caprichosa de todas, que ningún modelo físico puede domar por completo: el canal inalámbrico de comunicaciones. Es el medio a través del cual viaja la señal de radio y microondas, y su comportamiento es tan variado como impredecible [3][4]. La atmósfera, la lluvia, los edificios, los árboles, los vehículos en movimiento y hasta la actividad solar se combinan para distorsionar, atenuar y desviar las ondas electromagnéticas. Maxwell describe cómo se propaga la onda en el vacío o en medios ideales, pero el canal real es un escenario donde la física se encuentra con la estadística, la geografía y la climatología.

Cuando una señal de radio viaja a través de la atmósfera, no lo hace en el vacío. El aire tiene una permitividad ligeramente mayor que la unidad, y esta varía con la temperatura, la presión y la humedad [1] (y en consecuencia, con la altura, en un proceso de estratificación). Estas variaciones, aunque pequeñas, pueden curvar la trayectoria de las ondas, un fenómeno conocido como refracción atmosférica. En condiciones normales, esta curvatura es suave y se puede corregir con modelos estándar. Pero en situaciones de inversión térmica (cuando el aire caliente queda atrapado bajo una capa de aire frío), las ondas pueden quedar atrapadas en un "conducto" atmosférico y viajar mucho más lejos de lo previsto, o por el contrario, desviarse y crear zonas de sombra [3]. Estos efectos, conocidos como propagación anómala, son difíciles de predecir con Maxwell puro, porque requieren conocer el perfil vertical de la atmósfera en tiempo real, algo que no siempre es posible.

La lluvia es otro actor que complica el panorama. Las gotas de agua dispersan y absorben las ondas de microondas, especialmente en frecuencias superiores a 10 GHz, donde la atenuación puede ser severa [3]. Este efecto es crítico para enlaces de microondas de alta capacidad y para comunicaciones por satélite. Maxwell predice la dispersión por esferas dieléctricas (teoría de Mie), pero para calcular la atenuación total en un enlace se necesita conocer la distribución de tamaños de gotas, la intensidad de la lluvia y la longitud del trayecto [1]. Todo esto se resume en modelos empíricos (como los de la ITU-R) que complementan a Maxwell con datos estadísticos de precipitación.

Uno de los fenómenos más desconcertantes en las comunicaciones por radio es el desvanecimiento (fading). Ocurre cuando la señal llega al receptor por múltiples caminos (rebotes en edificios, suelo, montañas, vehículos), y cada camino tiene una longitud diferente, lo que produce que las ondas lleguen con distintas fases [3]. Cuando estas ondas se suman en el receptor, pueden interferir constructivamente (aumentando la señal) o destructivamente (reduciéndola drásticamente). En el peor de los casos, la señal puede caer por debajo del umbral de recepción durante milisegundos o segundos, provocando pérdidas de paquetes y retransmisiones [3].

El multitrayecto es especialmente severo en entornos urbanos, donde los edificios actúan como reflectores, y en comunicaciones móviles, donde el receptor se desplaza y el patrón de interferencia cambia constantemente [3]. Maxwell describe este fenómeno como la superposición de ondas planas con diferentes direcciones y fases, pero el problema es que las condiciones de contorno (las posiciones de los edificios, la altura de las antenas, la velocidad del móvil) son desconocidas y cambian con el tiempo. Por eso, los ingenieros recurren a modelos estadísticos del canal, como los modelos de Rayleigh (para entornos con muchos obstáculos) o Rician (cuando hay una línea de visión predominante) [3]. Estos modelos no derivan de Maxwell, sino de la teoría de la probabilidad, y describen la envolvente de la señal como una variable aleatoria con cierta distribución. Es una concesión pragmática: cuando la física es demasiado compleja, la estadística ofrece un camino útil.

Además de las distorsiones del canal, toda señal recibida está contaminada por ruido. El ruido térmico, generado por la agitación aleatoria de los electrones en los conductores, está presente en todos los receptores y es fundamentalmente inevitable. Maxwell no lo contempla porque es un fenómeno probabilístico que emerge de la mecánica estadística y la física cuántica [1]. El ruido térmico establece un límite fundamental a la sensibilidad de un receptor: por muy bueno que sea el diseño, siempre habrá un nivel de ruido por debajo del cual no se puede detectar la señal [3].

A esto se suman otras fuentes de ruido: el ruido de fase de los osciladores locales, que introduce fluctuaciones en la frecuencia de la portadora; el ruido de intermodulación, generado por la no linealidad de los amplificadores; y el ruido impulsivo, producido por descargas eléctricas o motores [3]. Maxwell describe la señal portadora, pero no el ruido que la corrompe; por eso, el diseño de un receptor de telecomunicaciones es tanto un problema de electromagnetismo como de procesamiento de señales y de diseño electrónico de bajo ruido.

En 1948, Claude Shannon demostró que todo canal de comunicaciones tiene una capacidad máxima C de información que puede transmitirse, dada por la fórmula:

C = B · log₂(1 + S/N)

donde B es el ancho de banda y S/N es la relación señal/ruido [4]. Esta capacidad no depende de Maxwell, sino de la teoría de la información. Pero Maxwell determina la relación señal/ruido: la señal que llega al receptor es la que Maxwell predice (atenuada por la distancia y el canal), y el ruido es el que los receptores añaden (limitado por la física cuántica y la termodinámica). Así, la teoría de la información y el electromagnetismo se complementan: Maxwell dice cómo viaja la señal; Shannon dice cuánta información puede llevar [4].

Sin embargo, la capacidad de Shannon es un límite teórico que rara vez se alcanza en la práctica. La modulación, la codificación, el procesamiento de señales y la diversidad de antenas son técnicas que permiten acercarse a ese límite, pero nunca superarlo [3]. Y todo ello, al final, tiene que lidiar con un canal que es caprichoso, variable y, a menudo, hostil.

El canal de comunicaciones es, quizás, el mayor recordatorio de que Maxwell no es suficiente. Un ingeniero de telecomunicaciones no solo debe comprender la propagación de ondas, sino también la estadística del desvanecimiento, la climatología de la lluvia, el diseño de amplificadores de bajo ruido y los algoritmos de ecualización y corrección de errores [3]. Es un arquitecto de sistemas, que combina la física con la estadística, la electrónica y la teoría de la información. El desafío final es que el canal no se puede controlar, solo se puede gestionar. Se utilizan técnicas como la diversidad de antenas (para combatir el desvanecimiento), los códigos de corrección de errores, FEC, (para recuperar bits perdidos), la ecualización adaptativa (para compensar la distorsión) y la planificación de redes (para asegurar cobertura) [3]. Todas estas herramientas son complementos necesarios a Maxwell, y todas ellas requieren un enfoque que va más allá del electromagnetismo clásico.

9. El papel del docente ante las fronteras de Maxwell

A lo largo de estas páginas se ha recorrido un viaje fascinante y, a ratos, perturbador. Se ha visto que el electromagnetismo de Maxwell, siendo una de las teorías más elegantes y exitosas de la física [1], no es un sistema cerrado ni omnicomprensivo. Tiene fronteras teóricas (relatividad y cuantos), materiales (anisotropía, no linealidad, dispersión), numéricas (mal condicionamiento, complejidad computacional, problemas mal planteados) y prácticas (canal caprichoso, ruido, interferencia entre símbolos). También se ha visto cómo la IA está redefiniendo la forma de abordar estos problemas, y cómo la optimización y los métodos heurísticos se han convertido en herramientas indispensables [13][11]. Ante este panorama, cabe preguntarse: ¿cómo se enseña todo esto? ¿Cómo se forma a un estudiante para que no solo memorice las ecuaciones de Maxwell, sino que comprenda sus límites, sepa cuándo aplicarlas y cuándo buscar otras herramientas, y esté preparado para enfrentar la complejidad del mundo real?

La respuesta no es sencilla, pero hay un punto de partida claro: el rol del docente es fundamental. No se trata de abandonar el electromagnetismo clásico, sino de enseñarlo integrando sus limitaciones como parte natural del aprendizaje. El docente no es un mero transmisor de ecuaciones, sino un guía que acompaña a los estudiantes en el descubrimiento de que la física es un mapa, no el territorio, y que la verdadera destreza del ingeniero consiste en saber navegar con ese mapa, pero también en reconocer cuándo es necesario explorar más allá de sus bordes.

El primer paso es enseñar con humildad, reconociendo que Maxwell es un modelo, no una verdad absoluta, y que su éxito no debe ocultar sus limitaciones [1]. Esto no resta mérito a Maxwell; al contrario, lo engrandece, porque muestra que su teoría fue el punto de partida para desarrollos aún más profundos. Un docente que dice: "Esto es lo que Maxwell predice, pero en la práctica ocurre esto otro..." está sembrando en sus estudiantes la semilla del pensamiento crítico.

Pero la humildad no debe ser aburrida. Enseñar las limitaciones de Maxwell puede ser motivador. Contar la historia del éter y el experimento de Michelson-Morley, explicar la catástrofe ultravioleta con la anécdota de Planck diciendo que era "un acto de desesperación", mostrar cómo un filtro de microondas puede tener comportamientos inesperados debido a la no linealidad [3], o cómo un enlace de fibra óptica de 10000 km requiere compensar la dispersión cromática con técnicas que Maxwell no anticipó. Todo esto convierte una clase de electromagnetismo en una aventura intelectual, donde los estudiantes no aprenden fórmulas, sino que viven la emoción de descubrir que la física está viva, que hay problemas abiertos y que ellos pueden contribuir a resolverlos.

Uno de los mayores desafíos en la enseñanza del electromagnetismo es romper el fetichismo de las ecuaciones. Los estudiantes tienden a creer que, si memorizan las cuatro ecuaciones de Maxwell, ya lo saben todo. El docente debe mostrar que las ecuaciones son herramientas, no ídolos. Que lo importante no es escribirlas, sino interpretarlas, simplificarlas cuando se puede y saber cuándo no se puede. Una estrategia efectiva es mostrar problemas abiertos en los que Maxwell no da una respuesta única o estable: problemas inversos, optimización de antenas, estimación de canal en entornos con multitrayecto, diseño de filtros con especificaciones conflictivas [3][7]. Al ver que no hay una solución "de libro", los estudiantes comprenden que la ingeniería es un arte de decisiones, compromisos y aproximaciones sucesivas, donde la creatividad y el juicio crítico son tan importantes como el dominio de las ecuaciones.

El electromagnetismo no vive en un compartimento estanco. El docente debe mostrar cómo se conecta con otras disciplinas: la teoría de la información (Shannon) [4], el análisis numérico (elementos finitos, multipolos rápidos MLFMA) [5][10], la ciencia de materiales (ferritas, cristales líquidos, metamateriales) [3], la inteligencia artificial (PINNs, operadores neuronales) [13][14][15] y la electrónica de bajo ruido. Esta visión interdisciplinaria no solo enriquece la formación, sino que prepara a los estudiantes para un mundo laboral donde las fronteras entre disciplinas son cada vez más difusas, y donde los problemas más interesantes suelen estar en las intersecciones.

La forma de evaluar también puede reflejar esta filosofía. En lugar de preguntar "demuestre que...", el docente puede plantear problemas abiertos como: "Diseñe una antena para cubrir una zona urbana con mínima interferencia, sabiendo que el terreno presenta obstáculos y que el canal es variable", o "Proponga un método para estimar la respuesta de un canal de comunicaciones en un entorno con multitrayecto, sabiendo que las mediciones son ruidosas" [3][7]. Estos problemas no tienen una solución única, y obligan a los estudiantes a tomar decisiones, justificarlas, reconocer sus limitaciones y proponer alternativas. Eso es mucho más valioso que una demostración matemática perfecta, porque les enfrenta a la esencia de la ingeniería: tomar decisiones con información incompleta y bajo restricciones de tiempo y recursos.

Finalmente, el docente debe ver su propia práctica como un campo de experimentación. Probar nuevas estrategias, integrar casos reales, invitar a profesionales del sector para que expliquen cómo usan Maxwell en su día a día, utilizar simuladores numéricos que muestren las limitaciones de los modelos ideales [5][10], y fomentar el trabajo en equipo para abordar problemas de mayor complejidad. Todo esto enriquece el aprendizaje y mantiene viva la conexión entre la teoría y la práctica, mostrando a los estudiantes que lo que aprenden en el aula tiene una aplicación directa en el mundo real [3].

A los docentes: no tengan miedo de mostrar las limitaciones. Al hacerlo, están formando ingenieros más críticos, más preparados y más humildes. Están enseñando que la ciencia no es un dogma, sino un proceso en constante evolución, y que cada limitación es una oportunidad para innovar. A los estudiantes: no se conformen con lo que les enseñan. Pregunten siempre: "¿Qué está dejando fuera este modelo? ¿Qué pasaría si...?". La curiosidad es su mejor herramienta. Las limitaciones de Maxwell no son un fracaso; son una invitación a seguir explorando, a innovar, a ser parte de la próxima generación de ingenieros que empujarán las fronteras del conocimiento. El electromagnetismo de Maxwell es extraordinario, pero lo que está por venir, con la ayuda de la IA, los nuevos materiales y la imaginación de los estudiantes de hoy, puede ser aún más asombroso.

Para quienes deseen profundizar en estos temas, se sugieren los siguientes recursos complementarios a los buenos libros de texto:

• Simuladores de campos electromagnéticos: ANSYS HFSS, CST Studio Suite, FEKO (versiones educativas o gratuitas como OpenEMS o gprMax).
• Plataformas interactivas: PhET Interactive Simulations (University of Colorado) ofrece simulaciones de campos y ondas; la página de la ITU-R proporciona modelos de propagación actualizados.
• Cursos en línea: Los cursos de electromagnetismo de MIT OpenCourseWare y de la Universidad de Stanford en edX incluyen módulos sobre limitaciones computacionales y aplicaciones en telecomunicaciones.
• Artículos y blogs: IEEE Spectrum, Physics Today y el blog 'The Feynman Lectures on Physics' ofrecen artículos de divulgación de alta calidad sobre estos temas.

10. Conclusiones: invitación a la humildad y a la innovación

El viaje que se ha emprendido a lo largo de este artículo ha recorrido las fronteras del electromagnetismo de Maxwell desde múltiples perspectivas: teóricas, materiales, numéricas, computacionales, prácticas y pedagógicas. Se ha visto que, aunque las ecuaciones de Maxwell constituyen uno de los logros más extraordinarios de la física [1], no son un sistema cerrado ni omnicomprensivo. Son un mapa, no el territorio; una herramienta poderosa, pero no la única.

Se ha mostrado que el electromagnetismo clásico encuentra sus primeros límites en la relatividad especial y en la mecánica cuántica, que redefinieron conceptos fundamentales como el espacio, el tiempo y la naturaleza de la luz [1]. También se ha visto que los materiales reales, lejos de los modelos ideales de linealidad e isotropía, introducen fenómenos como la anisotropía, la no linealidad, la dispersión y la histéresis, que complican enormemente la aplicación directa de las ecuaciones de Maxwell [3]. La ionosfera, con su rotación de Faraday y su dispersión variable, es un ejemplo paradigmático de cómo el medio natural desafía la simplicidad de los modelos.

En el plano numérico, se ha explorado cómo la discretización de las ecuaciones de Maxwell conduce a sistemas de ecuaciones lineales que pueden ser mal condicionados, densos y computacionalmente costosos [9][5][10]. Los problemas inversos, como la estimación de canal o la síntesis de antenas, son a menudo mal planteados en el sentido de Hadamard [2], y su resolución requiere técnicas de regularización y optimización que van mucho más allá del electromagnetismo puro [6]. El mal condicionamiento de las matrices y la complejidad computacional O(n³) imponen restricciones severas a los problemas que pueden abordarse en la práctica, obligando a los ingenieros a recurrir a métodos heurísticos, modelos sustitutos, aprendizaje automático y estrategias híbridas [5][10][15][11].

Se ha dedicado atención a la irrupción de la IA en el electromagnetismo, un campo que está redefiniendo la forma de abordar problemas que antes eran intratables [13][14][15]. Las Physics-Informed Neural Networks y los operadores neuronales están demostrando ser capaces de acelerar simulaciones y resolver problemas inversos con una eficiencia sin precedentes, aunque todavía enfrentan desafíos importantes en términos de precisión, generalización y coste de entrenamiento [16][17]. Lejos de reemplazar a Maxwell, la IA se está convirtiendo en un complemento poderoso que, combinado con métodos clásicos, abre nuevas posibilidades para el diseño y la optimización de dispositivos electromagnéticos.

También se ha reflexionado sobre el papel del canal de comunicaciones, ese espacio caprichoso donde la señal se enfrenta a la atenuación por lluvia, el desvanecimiento por multitrayecto, la interferencia entre símbolos y el ruido térmico [3]. Maxwell describe cómo se propaga la onda, pero no cómo se degrada con el ruido ni cuánta información puede transportar; para eso se necesita la teoría de la información de Shannon [4], la estadística de los canales variables y el diseño de sistemas de comunicaciones robustos.

La sección pedagógica ha subrayado la importancia de que los docentes muestren estas fronteras a sus estudiantes, rompiendo el fetichismo de las ecuaciones y fomentando una visión crítica y creativa de la ingeniería. Enseñar las limitaciones de Maxwell no es restar mérito a su genio, sino todo lo contrario: es mostrar que su teoría fue el punto de partida para desarrollos aún más profundos [1], y que la verdadera habilidad del ingeniero no consiste en memorizar fórmulas, sino en saber cuándo aplicarlas, cuándo simplificarlas y cuándo buscar otras herramientas.

El mensaje final que se desprende de todo este recorrido es doble. Por un lado, una invitación a la humildad: reconocer que ningún modelo físico es completo, que siempre hay fronteras y que la realidad es más compleja que cualquier ecuación. Por otro lado, una invitación a la innovación: ver esas fronteras no como fracasos, sino como oportunidades para explorar, para combinar disciplinas, para desarrollar nuevas herramientas y para formar ingenieros capaces de enfrentar los desafíos del mundo real.

El electromagnetismo de Maxwell es, y seguirá siendo, una de las piedras angulares de la ingeniería de telecomunicaciones, pero no es el final del camino. Es el comienzo de un viaje fascinante. Es el viaje que los estudiantes de hoy están llamados a continuar, y el que los docentes tienen el privilegio de guiar.

Referencias

[1] J. D. Jackson, Classical Electrodynamics, 3rd ed. New York, NY, USA: Wiley, 1999.

[2] J. Hadamard, Lectures on Cauchy's Problem in Linear Partial Differential Equations. New Haven, CT, USA: Yale University Press, 1923.

[3] C. A. Balanis, Antenna Theory: Analysis and Design, 4th ed. Hoboken, NJ, USA: Wiley, 2016.

[4] C. E. Shannon, "A mathematical theory of communication," Bell Syst. Tech. J., vol. 27, no. 3, pp. 379–423, Jul. 1948. DOI: 10.1002/j.1538-7305.1948.tb01338.x.

[5] J.-M. Jin, The Finite Element Method in Electromagnetics, 3rd ed. Hoboken, NJ, USA: Wiley, 2014.

[6] A. N. Tikhonov and V. Y. Arsenin, Solutions of Ill-Posed Problems. Washington, DC, USA: Winston, 1977.

[7] A. Kirsch, "An introduction to the mathematical theory of inverse problems," in Applied Mathematical Sciences, vol. 120, pp. 1–34. New York, NY, USA: Springer, 1996.

[8] G. Strang, Linear Algebra and Its Applications, 4th ed. Belmont, CA, USA: Thomson, 2006.

[9] R. F. Harrington, Field Computation by Moment Methods. New York, NY, USA: IEEE Press, 1993.

[10] W. C. Chew, J. M. Jin, E. Michielssen, and J. Song, "Fast and efficient algorithms in computational electromagnetics," Norwood, MA, USA: Artech House, 2001.

[11] D. E. Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning. Boston, MA, USA: Addison-Wesley, 1989.

[12] J. Kennedy and R. Eberhart, "Particle swarm optimization," in Proc. IEEE Int. Conf. Neural Netw., Perth, WA, Australia, 1995, vol. 4, pp. 1942–1948. DOI: 10.1109/ICNN.1995.488968.

[13] M. Raissi, P. Perdikaris, and G. E. Karniadakis, "Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations," J. Comput. Phys., vol. 378, pp. 686–707, Feb. 2019. DOI: 10.1016/j.jcp.2018.10.045.

[14] L. Lu, P. Jin, and G. E. Karniadakis, "DeepONet: Learning nonlinear operators for identifying differential equations based on the universal approximation theorem of operators," Nat. Mach. Intell., vol. 3, no. 3, pp. 218–229, Mar. 2021. DOI: 10.1038/s42256-021-00302-5.

[15] Z. Li, N. Kovachki, K. Azizzadenesheli, B. Liu, K. Bhattacharya, A. Stuart, and A. Anandkumar, "Fourier neural operator for parametric partial differential equations," arXiv preprint arXiv:2010.08895, 2020.

[16] S. Wang, Y. Teng, and P. Perdikaris, "Understanding and mitigating gradient flow pathologies in physics-informed neural networks," SIAM J. Sci. Comput., vol. 43, no. 5, pp. A3055–A3081, 2021. DOI: 10.1137/20M132124X.

[17] Y. Chen, L. Lu, G. E. Karniadakis, and L. Dal Negro, "Physics-informed neural networks for inverse problems in nano-optics and metamaterials," Opt. Express, vol. 28, no. 8, pp. 11618–11633, Apr. 2020. DOI: 10.1364/OE.391788.

[18] S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, "Optimization by simulated annealing," Science, vol. 220, no. 4598, pp. 671–680, May 1983. DOI: 10.1126/science.220.4598.671.

Julio, 2026.