Imagina que eres un detective intentando resolver un misterio, pero las pistas están escritas en un código secreto que solo una computadora puede leer, mientras que la historia está escrita en un lenguaje que solo los humanos entienden. Este es el lucha diaria de los científicos que escriben artículos llenos de matemáticas complejas. Ellos usan fórmulas hermosas y elegantes para describir cómo funciona el mundo, pero estas fórmulas son a menudo solo "imágenes" de matemáticas —como el dibujo de un puente. Para construir realmente el puente, una computadora necesita los planos: las instrucciones, variables y lógica específicas que le dicen a una máquina exactamente cómo calcular el estrés en el acero. Este proceso de convertir una "imagen" de matemáticas en "planos" para una computadora se llama Formalización de Fórmulas.

El problema es que las computadoras, incluso las superinteligentes impulsadas por la Inteligencia Artificial (IA), son terribles leyendo estos planos por sí solas. Necesitan una biblioteca masiva de ejemplos —miles de pares de "imagen matemática" y "plano de computadora"— para aprender cómo traducir. Pero aquí está el detalle: nadie ha construido esta biblioteca todavía porque es increíblemente difícil y aburrido de crear. Los humanos tienen que sentarse a reescribir manualmente cada uno de los símbolos matemáticos de un artículo en código, una tarea tan tediosa que ralentiza el progreso científico. Es como intentar enseñarle a un robot a cocinar escribiendo a mano cada una de las recetas desde cero, ingrediente por ingrediente, para cada plato del mundo.

Aquí es donde entra en escena una nueva herramienta llamada MioFFAn. Piensa en ella como un cuaderno interactivo de alta tecnología diseñado para hacer que el aburrido trabajo de traducir matemáticas a código sea mucho más rápido y menos doloroso. Los investigadores detrás de ella no solo construyeron una herramienta estática; construyeron un sistema de "humano en el bucle" (human-in-the-loop). Esto significa que el software actúa como un asistente inteligente que adivina la traducción usando IA, pero luego pide a un experto humano que verifique y corrija los errores. Es como tener un robot que puede redactar una carta por ti, pero tú todavía tienes que firmarla y asegurarte de que los hechos sean correctos antes de enviarla. Al usar este enfoque de equipo, los autores demuestran que podemos empezar a construir esa biblioteca crucial de ejemplos de matemáticas a código mucho más rápido que antes, abriendo la puerta para que las computadoras finalmente entiendan y ejecuten las matemáticas complejas que impulsan la ciencia moderna.

La historia del artículo: Construyendo un puente entre las matemáticas y el código

El artículo presenta MioFFAn, un software de código abierto diseñado para ayudar a los investigadores a anotar documentos científicos. Su objetivo principal es facilitar la Formalización de Fórmulas, que es el acto de tomar una expresión matemática de un artículo y convertirla en código simbólico ejecutable (como el código que escribirías en un sistema de álgebra computacional). Los autores argumentan que, si bien tenemos excelentes herramientas para escanear documentos y leer el texto (OCR), carecemos de la "profundidad semántica" para convertir esas fórmulas escaneadas en código que una computadora pueda realmente ejecutar.

Para resolver esto, los autores construyeron MioFFAn sobre una herramienta más antigua llamada MioGatto. Se dieron cuenta de que la herramienta anterior era excelente para identificar símbolos matemáticos individuales (como la letra $x$), pero pésima para manejar grupos complejos de símbolos (como una función completa $f(x)$ o un tensor $\delta u_i$) y no permitía el tipo de anotación jerárquica y flexible necesaria para la ciencia del mundo real. MioFFAn corrige esto introduciendo varias mejoras clave:

1. Agrupación y Jerarquía: En lugar de solo etiquetar letras individuales, MioFFAn permite a los usuarios seleccionar fragmentos enteros de una fórmula como una sola unidad. Trata una expresión compleja como un "grupo" que aún puede desglosarse en sus partes si es necesario.
2. Reglas Personalizables: El software es un camaleón. Permite a los usuarios definir sus propias "taxonomías" (reglas y categorías) para diferentes campos científicos. Por ejemplo, un físico podría necesitar etiquetar una variable como un "vector", mientras que un biólogo podría necesitar etiquetarla como una "concentración". La herramienta se adapta a estas necesidades.
3. Contextualización (Grounding): Ayuda a vincular los símbolos matemáticos con el texto en el documento donde se explican. Si un artículo dice "sea $v$ la velocidad", la herramienta te ayuda a resaltar esa oración y conectarla con el símbolo $v$ en la fórmula.
4. La Automatización del "Humano en el Bucle": Esta es la parte más emocionante. El software incluye una función donde una IA (específicamente, un Modelo de Lenguaje Grande, o LLM) intenta realizar la anotación primero. Sugiere qué partes de la fórmula son cuáles, qué significan las variables y dónde se definen en el texto. Sin embargo, el usuario humano no es reemplazado; actúa como un supervisor. Revisan las sugerencias de la IA, corrigen cualquier error y confirman el resultado final.

Los autores probaron este sistema utilizando un campo científico específico llamado Métodos de Elementos Finitos (FEM), que se utiliza para simular cosas como cómo choca un auto o cómo se dobla un puente. Configuraron el software para que entendiera las reglas matemáticas específicas de FEM y luego realizaron un experimento de "prueba de concepto". Alimentaron al software con algunos artículos científicos y dejaron que la IA intentara anotarlos, luego compararon el trabajo de la IA contra un "estándar de oro" creado por expertos humanos.

Los resultados fueron una mezcla de promesa y realidad. La IA fue sorprendentemente buena en algunas cosas, pero tuvo dificultades con otras. Por ejemplo, cuando la IA tenía permitido ver los símbolos matemáticos originales (como la letra griega $\lambda$), hizo un trabajo mucho mejor identificando las piezas de la fórmula (aproximadamente un 57.7% de cobertura) comparado con cuando los símbolos eran reemplazados por nombres de texto largos (lo que cayó al 36.2%). Sin embargo, la IA aún no es perfecta; a menudo tiene dificultades para señalar la ubicación exacta de las definiciones de texto en el documento, resaltando a veces párrafos enteros en lugar de solo la oración específica.

El artículo descarta explícitamente la idea de que la IA pueda realizar este trabajo perfectamente por sí sola actualmente. Los autores afirman que los resultados automatizados están "lejos de ser ideales" y solo deben usarse como una "línea base" que un experto humano refine rápidamente. Argumentan que intentar usar la IA para una traducción totalmente automática y de extremo a extremo sin controles humanos probablemente conduciría a errores difíciles de detectar.

En su evaluación, los autores encontraron que el enfoque de "Caracteres Originales" (mantener los símbolos matemáticos tal como son) funcionó mejor para que la IA comprendiera la estructura de las matemáticas. También compararon tres modelos de IA diferentes (Nemotron de NVIDIA, Gemma de Google y Qwen de Alibaba) y encontraron que el modelo Qwen3-4B-Instruct-2507 funcionó significativamente mejor que los otros, logrando una tasa de cobertura de identificación de símbolos del 57.7% en comparación con aproximadamente el 33.9% del siguiente mejor modelo.

En última instancia, el artículo sugiere que MioFFAn es un "patio de juegos" poderoso para desarrollar mejores estrategias de automatización. No pretende haber resuelto el problema de traducir matemáticas a código para siempre. En cambio, ofrece un marco flexible donde los investigadores pueden probar diferentes estrategias de IA, ver qué funciona e ir mejorando el sistema gradualmente. Los autores concluyen que, si bien la automatización actual es solo un paso "provisional", este trabajo en equipo entre humanos e IA es la forma más efectiva de construir los conjuntos de datos de alta calidad necesarios para entrenar sistemas futuros más inteligentes. Visualizan un futuro donde esta herramienta ayude a construir una biblioteca masiva y compartida de traducciones de matemáticas a código, facilitando que las computadoras ayuden a los científicos a resolver los problemas más complejos del mundo.