En el ámbito de la  Inteligencia Artificial (IA) ha habido un gran interés en los últimos años en el aprendizaje autosupervisado. Éste es un término general para una serie de técnicas que entrenan a un modelo en una tarea sin necesidad de que los datos hayan sido previamente etiquetados. El modelo entrenado se puede usar como punto de partida para el entrenamiento en una tarea posterior, que suele ser una tarea de aprendizaje supervisado, como la clasificación de imágenes.

Entre los distintos tipos de aprendizaje autosupervisado, la codificación automática (autoencoders) es una técnica muy común y como veremos útil en ciencia. La idea es entrenar una red neuronal (RN) cuyas entradas y salidas son idénticas. Una de las capas de la RN hace las veces de cuello de botella. Toda la información debe pasar a través de unas pocas neuronas. Si la RN es capaz de reproducir fielmente los datos de entrada, significa que una parte esencial de la información está codificada en la capa de menor dimensión, que se conoce como espacio latente.

En este vídeo de la serie Inteligencia Artificial aplicada a las Ciencias, vemos como los autoencoders pueden ser utilizados para tareas propias de la ciencia: la determinación de grados de libertad, la eliminación de ruido y para descubrir anomalías en las series de datos. Estas aplicaciones se ilustran a través del estudio de la transmisión de un electrón a través de un pozo de potencial. Un ejemplo clásico que muestra el efecto de tunneling, uno de los fenómenos más llamativos de la física cuántica.