“Lo invisible no necesariamente carece de forma; quizá su geometría permanece escrita en las trayectorias de aquello que podemos observar. El desafío consiste en descifrar esa información y reconstruir, mediante las matemáticas, el espacio que le dio origen”
Preámbulo
Hoy quiero compartir con usted una nueva reflexión que nació al volver sobre nuestro artículo anterior, titulado “La Arquitectura Matemática de lo Invisible: Análisis Funcional Avanzado, Transformadas Integrales e Integrales de Trayectoria en la Nueva Frontera Cuántica”.
Al releerlo, encontré una posibilidad que me pareció interesante y que considero merece ser explorada con mayor detenimiento.
Para acercarme a ella, recurrí a la Metodología de Investigación por Fundamentos del Dr. Francisco Bulnes, y de ese ejercicio surgió una pregunta que, aunque parte de una situación cotidiana, nos conduce hacia un problema matemático de mayor profundidad: la paradoja de un aspersor de agua.
A través de este sencillo ejemplo, quiero introducirlo en una nueva línea de trabajo personal, en la que las trayectorias que podemos observar nos llevan a preguntarnos:
¿Es posible reconstruir simultáneamente el campo electromagnético y determinadas propiedades de la geometría del espacio-tiempo a partir de las mediciones integrales realizadas sobre las trayectorias que dicho espacio determina?
Espero que esta nueva aproximación sea de su agrado y que encuentre en ella el mismo interés que me motivó a desarrollarla.
Como siempre, le agradezco sinceramente el tiempo que dedica a leerme y la atención con la que acompaña estas reflexiones.
Muchas gracias.
Introducción. El origen de aquello que observamos
Cuando caminamos por un parque, podemos contemplar los jardines verdes, las flores, el movimiento de los insectos y la armonía de los elementos que conforman aquel pequeño ecosistema.
Entre ellos encontramos un dispositivo cotidiano que, aunque suele pasar inadvertido, encierra un interesante problema geométrico: el aspersor de agua.
El mecanismo gira sobre su propio eje y expulsa chorros de agua que describen trayectorias parabólicas bajo la acción de la gravedad. Mientras el dispositivo rota, modifica continuamente la dirección de emisión, distribuyendo el agua sobre una superficie aproximadamente circular y permitiendo que la vegetación reciba el riego necesario.
A simple vista, conocemos el fenómeno: observamos el agua, sus trayectorias y la región del jardín que alcanza. También podemos identificar que existe un mecanismo responsable de producir aquel movimiento.
Sin embargo, propongamos un ejercicio de imaginación matemática.
Supongamos que no podemos ver el aspersor. Desaparece de nuestra percepción el dispositivo que origina el movimiento, pero permanecen visibles los chorros de agua, sus trayectorias parabólicas y las posiciones que ocupan durante su recorrido.
Tenemos información, pero desconocemos su origen.
Entonces surge una pregunta: ¿podríamos determinar la ubicación del aspersor, reconstruir su posición y establecer las características de su movimiento exclusivamente mediante el análisis matemático de las trayectorias observadas?
La respuesta, bajo condiciones adecuadas de observación, es afirmativa. Podemos formular un problema inverso, utilizar las ecuaciones del movimiento parabólico, estudiar la geometría de las trayectorias y recurrir a herramientas de análisis funcional y transformadas integrales.
Esta situación constituye lo que proponemos denominar la paradoja del aspersor de agua: conocemos las consecuencias visibles de un fenómeno, pero ocultamos deliberadamente el elemento que las produce.
El desafío consiste en recuperar matemáticamente su origen.
Lo verdaderamente interesante es que este ejercicio, aparentemente sencillo, nos permite aproximarnos a un problema mucho más ambicioso: ¿podríamos reconstruir propiedades geométricas del espacio-tiempo a partir de la información que transportan los campos físicos?
1. La geometría del movimiento: reconstruir el aspersor sin observarlo
Comencemos con la física del fenómeno.
Si despreciamos la resistencia del aire y suponemos que el agua se comporta como un conjunto de partículas independientes después de abandonar la boquilla, cada partícula describe una trayectoria determinada por su velocidad inicial y la aceleración gravitatoria.
En un sistema de coordenadas cartesiano, el movimiento puede expresarse mediante:
x(t) = x₀ + v₀x t
y(t) = y₀ + v₀y t
z(t) = z₀ + v₀z t − ½gt²
Donde x₀, y₀ y z₀ representan la posición inicial; v₀x, v₀y y v₀z son las componentes de la velocidad inicial, y g representa la aceleración gravitatoria.
La componente vertical introduce el término cuadrático que origina la trayectoria parabólica.
Si conocemos suficientes puntos de la trayectoria y contamos con información sobre el tiempo, podemos estimar la velocidad inicial, la aceleración y el punto de emisión.
Pero aquí aparece una cuestión interesante: ¿qué sucede cuando no conocemos el tiempo, la velocidad inicial o la posición de origen?
El problema se transforma en una reconstrucción indirecta.
Podemos utilizar métodos de estimación de parámetros, mínimos cuadrados, ecuaciones diferenciales y problemas inversos para determinar qué configuración inicial resulta compatible con las observaciones.
La rotación del aspersor añade otra dimensión geométrica.
Cada dirección de emisión corresponde a un ángulo diferente y, durante el giro, las trayectorias individuales generan una distribución espacial del agua.
Por tanto, no estamos observando únicamente una parábola, sino una familia de trayectorias que comparten un origen mecánico y una dinámica de emisión.
El origen invisible puede recuperarse si las observaciones contienen información suficiente y si las condiciones del modelo permiten distinguir una solución de las demás.
2. La transformada de Radón: recuperar lo que permanece oculto
Aquí incorporamos una de las herramientas más importantes de la geometría integral: la transformada de Radón.
La transformada de Radón, introducida por Johann Radon en 1917, permite relacionar una función desconocida con sus integrales sobre rectas o hiperplanos.
En dos dimensiones, su expresión clásica es: R(f)(θ,s) = ∫ f(x) δ(s − x·θ) dx
Donde f representa una distribución desconocida, θ determina la orientación de la recta y s representa su distancia respecto del origen.
En términos intuitivos, en lugar de observar directamente la distribución original, obtenemos mediciones acumuladas sobre diferentes direcciones.
La transformada inversa permite reconstruir la distribución a partir de un conjunto suficiente de esas mediciones.
Este principio constituye uno de los fundamentos matemáticos de la tomografía computarizada: a partir de múltiples proyecciones se reconstruye una estructura que no puede observarse directamente desde una sola perspectiva (Natterer & Wübbeling, 2001).
En nuestra paradoja, podemos imaginar que las trayectorias del agua constituyen información indirecta sobre el mecanismo que las produce.
Sin embargo, debemos establecer una precisión matemática: la transformada inversa de Radón clásica no reconstruye automáticamente el aspersor a partir de unas cuantas parábolas.
Para ello necesitamos formular adecuadamente los datos como mediciones integrales y establecer un modelo de reconstrucción.
Las trayectorias parabólicas requieren considerar transformadas sobre curvas, posiblemente ponderadas, mientras que las mediciones sobre diferentes direcciones y planos pueden proporcionar los datos necesarios para una reconstrucción tomográfica.
La diferencia entre ambas situaciones abre una nueva posibilidad de investigación: estudiar cómo se modifican los procedimientos de reconstrucción cuando las trayectorias dejan de ser rectas y pasan a depender de una dinámica física.
3. De las rectas a las geodésicas: cuando la geometría determina las trayectorias
La transformada de Radón clásica trabaja sobre una geometría euclidiana, donde las rectas constituyen las trayectorias fundamentales de integración.
Pero ¿qué ocurre cuando el espacio no puede describirse mediante una geometría euclidiana?
Aquí debemos avanzar hacia la geometría diferencial.
En una variedad riemanniana, las trayectorias naturales pueden ser geodésicas, es decir, curvas que generalizan la noción de línea recta en espacios curvos.
La transformada geodésica puede expresarse como: I_g(f)(γ) = ∫γ f(γ(t)) dt
En esta expresión, g representa la métrica que determina la geometría, γ es una geodésica y f es la función que deseamos reconstruir.
Esta generalización resulta fundamental porque la trayectoria de integración depende de la propia geometría del espacio.
En consecuencia, ya no estudiamos únicamente una función desconocida: también debemos considerar la estructura geométrica sobre la cual se realiza la integración.
Existen investigaciones matemáticas consolidadas sobre la inyectividad y la inversión de estas transformadas. Monard (2014), por ejemplo, estudia su implementación numérica en variedades riemannianas bidimensionales y la reconstrucción de funciones y campos vectoriales.
La pregunta que nos interesa profundizar es todavía más exigente:
¿Qué sucede cuando la geometría que determina las trayectorias también es desconocida?
En ese escenario, debemos investigar simultáneamente la distribución que deseamos recuperar y las propiedades de la métrica que condiciona las trayectorias observadas.
El aspersor nos permitió comprender el problema en un espacio cotidiano. Ahora debemos considerar una geometría cuya estructura no podemos observar directamente.
4. Análisis funcional avanzado: el espacio matemático de las posibilidades
Para abordar este problema necesitamos una estructura analítica capaz de relacionar los datos observados con las entidades matemáticas desconocidas.
El análisis funcional proporciona ese marco.
Podemos representar el proceso mediante un operador: A: X → Y
Donde X es un espacio funcional que contiene las configuraciones posibles del campo o de la geometría, mientras que Y representa el espacio de las observaciones.
La relación general puede expresarse como: d = A(u) + ε
Donde:
- d representa los datos observados.
- A representa el operador matemático que modela el fenómeno.
- u representa la estructura desconocida.
- ε representa el error de medición.
En el caso del aspersor, u podría contener la posición de origen, las velocidades iniciales y los parámetros de rotación.
En el problema geométrico, u podría representar propiedades de un campo físico o de la métrica de una variedad.
El análisis funcional permite estudiar cuestiones fundamentales: existencia de soluciones, unicidad, continuidad, estabilidad y convergencia de los procedimientos de reconstrucción.
Estas propiedades son esenciales porque una reconstrucción matemática no resulta satisfactoria únicamente por producir una solución.
También necesitamos determinar si esa solución es única y si pequeñas variaciones en los datos producen cambios controlados en el resultado.
Aquí aparece una de las dificultades fundamentales de los problemas inversos: una operación directa puede estar perfectamente definida, mientras que su inversión puede ser inestable o incluso imposible sin condiciones adicionales.
5. Las integrales de trayectoria: reconstruir información a lo largo del movimiento
Regresemos por un momento al agua del aspersor.
Cada gota transporta información sobre su posición, velocidad y evolución temporal.
Si pudiéramos registrar su trayectoria completa, obtendríamos una descripción mucho más rica que la proporcionada por una observación aislada.
Matemáticamente, podemos estudiar cantidades acumuladas a lo largo de una trayectoria: J(γ) = ∫γ L(x, ẋ, t) dt
Donde L representa una función que caracteriza el fenómeno y γ describe la trayectoria.
Esta formulación permite introducir el cálculo variacional y el estudio de las integrales de trayectoria.
En física matemática, las integrales de trayectoria adquieren una importancia extraordinaria en la formulación de la mecánica cuántica y la teoría cuántica de campos.
No obstante, debemos distinguir dos conceptos: las integrales de línea o trayectoria utilizadas en geometría integral y cálculo variacional, y las integrales funcionales de la teoría cuántica, que integran sobre espacios de posibles configuraciones o historias.
Ambas comparten una idea general: estudiar información acumulada sobre trayectorias o configuraciones, aunque sus fundamentos matemáticos y físicos no sean idénticos.
Esta distinción resulta importante para construir un marco matemático riguroso.
6. El verdadero desafío: reconstruir la geometría del espacio-tiempo
Hasta aquí, el problema del aspersor parece relativamente sencillo.
Tenemos trayectorias observables, leyes físicas conocidas y un mecanismo oculto que podemos intentar reconstruir.
Sin embargo, traslademos el razonamiento al espacio-tiempo.
Imaginemos que no podemos observar directamente la geometría del universo. Lo que recibimos son señales electromagnéticas procedentes de diferentes regiones, modificadas durante su propagación.
La luz transporta información sobre su trayectoria, frecuencia, intensidad y polarización. Su propagación está relacionada con la estructura geométrica del espacio-tiempo.
En relatividad general, las trayectorias de los rayos luminosos se describen mediante geodésicas nulas de una variedad lorentziana.
La métrica del espacio-tiempo puede representarse mediante el tensor: gμν
Y las trayectorias luminosas satisfacen la condición: gμν dxμ/dλ dxν/dλ = 0
Donde λ es un parámetro afín a lo largo de la geodésica nula.
Aquí encontramos una diferencia fundamental respecto del aspersor.
En el jardín conocemos, o podemos medir, la gravedad y las condiciones físicas que determinan las trayectorias del agua. En el espacio-tiempo, la geometría puede ser precisamente aquello que intentamos descubrir.
No solamente desconocemos el origen de las señales: también desconocemos parte de la estructura que determina sus trayectorias.
Por consiguiente, la reconstrucción geométrica se convierte en un problema inverso mucho más complejo.
7. La transformada de rayos de luz: la información que atraviesa el universo
En una variedad lorentziana podemos introducir una transformación que integra funciones sobre geodésicas nulas.
De manera esquemática: L_g(f)(γ) = ∫γ f(γ(λ)) dλ
Esta expresión representa una transformada de rayos de luz.
Su importancia reside en que permite investigar qué información sobre una función o un campo puede recuperarse a partir de mediciones realizadas a lo largo de trayectorias luminosas.
Lassas, Oksanen, Stefanov y Uhlmann (2020) estudiaron esta clase de transformadas en variedades lorentzianas y demostraron resultados de reconstrucción de determinadas singularidades mediante procedimientos relacionados con la retroproyección filtrada, bajo condiciones geométricas específicas.
Este resultado es particularmente significativo para nuestra propuesta porque establece una conexión matemática entre las transformadas integrales y la información que se propaga a través del espacio-tiempo.
Sin embargo, debemos avanzar un paso más.
Si la métrica es desconocida, las geodésicas sobre las cuales integramos también son desconocidas.
Por tanto, la pregunta de investigación ya no consiste únicamente en recuperar una función a partir de sus integrales, sino en determinar si podemos recuperar simultáneamente propiedades de la geometría y del campo físico.
En términos generales, buscamos estudiar una correspondencia del tipo:
Datos electromagnéticos → Transformadas integrales → Reconstrucción de campos → Información geométrica.
No debemos suponer que esta correspondencia es automáticamente invertible.
Es necesario establecer condiciones de observabilidad, inyectividad, estabilidad y las posibles equivalencias geométricas que no pueden distinguirse mediante los datos disponibles.
8. La geometría oculta de la información: una nueva dirección de investigación
Llegamos así a la propuesta central: La Geometría Oculta de la Información: Reconstrucción del Espacio-Tiempo mediante Transformadas Integrales, Operadores y Campos Electromagnéticos.
La hipótesis de trabajo consiste en investigar si determinadas propiedades geométricas de una variedad espacio-temporal pueden reconstruirse mediante la información contenida en campos electromagnéticos y sus mediciones a lo largo de trayectorias luminosas.
Para desarrollar esta investigación necesitamos relacionar cinco estructuras matemáticas:
Primera: el análisis funcional avanzado, para establecer los espacios de funciones, campos y operadores involucrados.
Segunda: las transformadas integrales, particularmente las transformadas de Radón, geodésicas y de rayos de luz.
Tercera: la teoría de operadores, para estudiar las propiedades de los procesos directos e inversos.
Cuarta: la geometría diferencial y lorentziana, para describir la estructura matemática del espacio-tiempo.
Quinta: la teoría electromagnética, para estudiar la información transportada por los campos físicos.
La investigación podría comenzar con un modelo controlado: una variedad bidimensional con métrica conocida, donde se estudie la reconstrucción de funciones mediante la transformada geodésica.
Posteriormente, se podría introducir una métrica desconocida y analizar qué condiciones permiten recuperar sus propiedades a partir de los datos disponibles.
Finalmente, el problema podría extenderse a campos electromagnéticos, transformadas tensoriales y geometrías lorentzianas.
La conexión con las transformadas de Penrose, la geometría integral y las investigaciones sobre estructuras electromagnéticas constituye otra dirección que merece un estudio específico.
No se trata de reunir herramientas matemáticas por su semejanza conceptual, sino de encontrar relaciones operatoriales y geométricas que puedan formularse, demostrarse y verificarse.
9. El aspersor y el universo: dos escalas de un mismo desafío intelectual
Regresemos al jardín.
El aspersor continúa girando. Los chorros de agua describen sus parábolas y la vegetación recibe el riego. Nosotros, sin embargo, hemos decidido no observar el mecanismo.
Solo disponemos de sus consecuencias.
A partir de ellas podemos formular un modelo, establecer ecuaciones, construir operadores, analizar trayectorias y determinar bajo qué condiciones resulta posible recuperar el origen del fenómeno.
En el espacio-tiempo sucede algo conceptualmente semejante, aunque su complejidad matemática y física es incomparablemente mayor.
Recibimos información procedente de estructuras que no podemos observar directamente.
La luz llega hasta nosotros después de recorrer trayectorias determinadas por una geometría que intentamos comprender.
El desafío consiste en investigar si las señales observables contienen suficiente información para reconstruir, al menos parcialmente, las propiedades de aquella estructura geométrica.
El aspersor nos permite visualizar la idea; el espacio-tiempo nos enfrenta a su verdadera dificultad.
Conclusión. Reconstruir lo invisible
La paradoja del aspersor de agua nos conduce a una reflexión que trasciende el fenómeno cotidiano.
No siempre necesitamos observar directamente el origen de un acontecimiento para investigar su naturaleza.
En determinadas condiciones, sus consecuencias contienen información suficiente para construir un modelo matemático y recuperar propiedades de aquello que permanece oculto.
La transformada inversa de Radón, las transformadas geodésicas, el análisis funcional, la teoría de operadores y las integrales de trayectoria ofrecen herramientas para abordar diferentes aspectos de este desafío.
Sin embargo, cuando trasladamos el problema al espacio-tiempo, encontramos una dificultad adicional: la geometría que determina las trayectorias también puede ser desconocida.
La investigación deja entonces de ser una simple reconstrucción de campos y se convierte en un problema inverso geométrico.
Quizá la pregunta más interesante no sea únicamente cómo observar el universo, sino qué información matemática transportan los fenómenos que llegan hasta nosotros y bajo qué condiciones podemos reconstruir la estructura geométrica que los hizo posibles.
El aspersor permanece oculto, pero sus trayectorias nos hablan de su existencia.
El universo también nos ofrece señales, radiación y fenómenos físicos.
La cuestión es determinar hasta dónde puede llegar nuestra capacidad matemática para interpretar esa información.
Epílogo. Cuando las trayectorias revelan el origen: la reconstrucción matemática de lo invisible
La simulación computacional desarrollada en RStudio nos permite regresar al punto de partida de esta reflexión: la paradoja del aspersor de agua.
Aquello que comenzó como una observación cotidiana en un jardín se convirtió en un pequeño experimento matemático para explorar una pregunta de mayor profundidad: ¿es posible descubrir la ubicación de una fuente que permanece oculta mediante el análisis de las trayectorias que produce?
La gráfica tridimensional constituye la representación visual de ese experimento.
En ella observamos diez chorros de agua que describen trayectorias parabólicas, cada una con una dirección y una velocidad inicial diferentes.
Los puntos de colores representan las observaciones experimentales, a las que se incorporó una pequeña perturbación aleatoria para simular las imprecisiones que inevitablemente aparecen en una medición física.
Las líneas de colores, por su parte, muestran las trayectorias reconstruidas matemáticamente mediante modelos de regresión.
Sin embargo, el elemento central de la representación no son las parábolas por separado, sino el punto común del que todas proceden.
En la gráfica, el marcador negro identifica la posición real del aspersor, mientras que el marcador rojo señala la posición estimada por el algoritmo.
Este último se obtiene sin utilizar las coordenadas originales del dispositivo: el procedimiento ajusta matemáticamente las trayectorias observadas, extrapola sus ecuaciones hasta el instante inicial y estima el punto de origen a partir de los resultados obtenidos para los diez chorros.
La proximidad entre ambos marcadores constituye el resultado fundamental del experimento.
Aunque las mediciones contienen pequeñas perturbaciones, el procedimiento consigue recuperar una aproximación de la posición de la fuente oculta.
El error de reconstrucción, calculado en metros y mostrado en la consola de RStudio, permite cuantificar la diferencia entre la ubicación real y la estimada.
¿Qué demuestra entonces esta experiencia?
En primer lugar, que una fuente no necesita estar directamente a la vista para que podamos obtener información acerca de su posición.
Sus efectos observables pueden contener suficientes datos para inferir algunas de sus características, siempre que exista un modelo matemático adecuado y que las observaciones proporcionen información suficiente.
En segundo lugar, muestra que la reconstrucción no consiste en adivinar el origen, sino en formular un problema inverso: partir de los resultados observados para estimar las condiciones que pudieron producirlos.
Conviene precisar que esta simulación representa un caso particular y controlado.
El modelo supone que conocemos los tiempos de observación, que la gravedad es constante y que la resistencia del aire puede despreciarse.
Por tanto, no constituye una demostración general de que cualquier fuente pueda reconstruirse a partir de sus trayectorias, ni resuelve todavía un problema de reconstrucción geométrica del espacio-tiempo.
Demuestra algo más concreto, pero igualmente valioso: bajo determinadas condiciones físicas y matemáticas, es posible recuperar la posición de una fuente desconocida mediante el análisis de sus efectos observables.
Aquí es donde la paradoja del aspersor adquiere un significado que trasciende su sencillez.
Si en un jardín podemos reconstruir la ubicación de un dispositivo a partir de las trayectorias que produce, surge una interrogante de mayor alcance: ¿qué sucede cuando las trayectorias no están determinadas únicamente por una fuente y unas condiciones iniciales, sino también por la geometría del espacio en el que se propagan?
Esta pregunta nos conduce hacia los problemas inversos asociados con las transformadas integrales, el análisis funcional y la geometría diferencial.
En particular, abre la posibilidad de estudiar si las mediciones de campos electromagnéticos, integradas a lo largo de determinadas trayectorias, contienen información suficiente para recuperar no solamente propiedades del campo, sino también características de la geometría que condiciona su propagación.
En ese escenario, las trayectorias podrían dejar de ser simples recorridos físicos para convertirse en portadoras de información geométrica.
Naturalmente, pasar del aspersor al espacio-tiempo representa un salto considerable.
En el primer caso conocemos las leyes del movimiento y buscamos localizar una fuente.
En el segundo, podríamos desconocer tanto el campo como la geometría que determina sus trayectorias.
La reconstrucción conjunta exigiría establecer condiciones de unicidad, estabilidad e identificabilidad, así como distinguir qué propiedades geométricas pueden recuperarse realmente a partir de los datos disponibles.
Así, el aspersor deja de ser únicamente un objeto que distribuye agua sobre un jardín.
Se transforma en un modelo conceptual para introducirnos en una de las preguntas más sugerentes de los problemas inversos: ¿puede la información que transportan las trayectorias revelar la geometría del espacio que las hace posibles?
Quizá la mayor enseñanza de este experimento no se encuentre solamente en haber localizado matemáticamente un objeto que decidimos ocultar, sino en haber descubierto que aquello que permanece fuera de nuestra mirada puede dejar huellas susceptibles de ser interpretadas.
Y tal vez, al aprender a leer esas huellas, podamos acercarnos a comprender no solo el origen de los fenómenos, sino también la estructura geométrica del espacio en el que ocurren.
La verdadera frontera no sería invertir una transformada para recuperar una función conocida en un espacio conocido. Sería investigar si podemos recuperar también el espacio geométrico que hizo posible aquella transformada.
Referencias bibliográficas
1. Bulnes, F. (2012). Electromagnetic gauges and Maxwell Lagrangians applied to the determination of curvature in the space-time and their applications. Journal of Electromagnetic Analysis and Applications, 4(6), 252–266. https://doi.org/10.4236/jemaa.2012.46035
2. Bulnes, F. (2012). Penrose transform on D-modules, moduli spaces and field theory. Advances in Pure Mathematics, 2(6), 379–390. https://doi.org/10.4236/apm.2012.26057
3. Bulnes, F. (2013). Mathematical nanotechnology: Quantum field intentionality. Journal of Applied Mathematics and Physics, 1, 25–44. https://doi.org/10.4236/jamp.2013.15005
4. Bulnes, F. (2013). Penrose transform on induced D₍G/H₎-modules and their moduli stacks in the field theory. Advances in Pure Mathematics, 3(2), 246–253. https://doi.org/10.4236/apm.2013.32035
5. Bulnes, F. (2014). Framework of Penrose transforms on DP-modules to the electromagnetic carpet of the space-time from the moduli stacks perspective. Journal of Applied Mathematics and Physics, 2(5), 150–162. https://doi.org/10.4236/jamp.2014.25019
6. Bulnes, F. (2014). Integral geometry methods on deformed categories in field theory II. Pure and Applied Mathematics Journal, 3(6-2), 1–5. https://doi.org/10.11648/j.pamj.s.2014030602.11
7. Bulnes, F., & Goborov, R. (2014). Integral geometry and complex space-time cohomology in field theory. Pure and Applied Mathematics Journal, 3(6-2). https://doi.org/10.11648/10004352
8. Bulnes, F. (2014). Derived categories in Langlands geometrical ramifications: Approaching by Penrose transforms. Advances in Pure Mathematics, 4, 253–260. https://doi.org/10.4236/apm.2014.46034
9. Bulnes, F. (2015). QED-Lie algebra and their £-modules in superconductivity. Journal of Applied Mathematics and Physics, 3, 417–427. https://doi.org/10.4236/jamp.2015.34053
10. Bulnes, F. (2021). Dual representation of the curvature in a Hilbert space: Curvature and integral transforms. JP Journal of Geometry and Topology, 26(1), 39–51. https://doi.org/10.17654/GT026010039
11. Helgason, S. (1999). The Radon transform (2nd ed.). Birkhäuser. https://doi.org/10.1007/978-1-4612-1788-0
12. Natterer, F., & Wübbeling, F. (2001). Mathematical methods in image reconstruction. Society for Industrial and Applied Mathematics. https://doi.org/10.1137/1.9780898718324
13. Natterer, F. (2001). Inversion of the attenuated Radon transform. Inverse Problems, 17(1), 113–119. https://doi.org/10.1088/0266-5611/17/1/309
14. Monard, F. (2014). Numerical implementation of geodesic X-ray transforms and their inversion. SIAM Journal on Imaging Sciences, 7(3), 1335–1357. https://doi.org/10.1137/130938657
15. Ilmavirta, J., & Monard, F. (2019). Integral geometry on manifolds with boundary and applications. En R. Ramlau & O. Scherzer (Eds.), The Radon transform: The first 100 years and beyond. De Gruyter. https://doi.org/10.1515/9783110560855-004
16. Lassas, M., Oksanen, L., Stefanov, P., & Uhlmann, G. (2020). The light ray transform on Lorentzian manifolds. Communications in Mathematical Physics, 377, 1349–1379. https://doi.org/10.1007/s00220-020-03703-6
17. Ilmavirta, J., & Monard, F. (2019). Integral geometry on manifolds with boundary and applications. En R. Ramlau & O. Scherzer (Eds.), The Radon transform: The first 100 years and beyond. De Gruyter. https://doi.org/10.1515/9783110560855-004
