La simulación del universo mediante supercomputadoras es una tarea astronómicamente costosa. Para calcular la evolución de miles de millones de galaxias se requieren semanas de procesamiento en los clústeres de computación más potentes. No es de extrañar que los astrofísicos hayan delegado este trabajo rutinario a la inteligencia artificial. Sin embargo, esta moneda resultó tener una cara oculta. La optimización de los cálculos estuvo a punto de cerrar el paso a la nueva física.
Un equipo de investigadores de Princeton y del Instituto Flatiron, bajo la dirección de Veena Krishnaraj y Adrian Bayer, decidió aplicar el método de aprendizaje por transferencia (transfer learning) en la cosmología. El principio es elegante: en lugar de ejecutar pesadas simulaciones desde cero, la red neuronal se entrena primero con modelos sencillos y económicos del universo estándar (Λ CDM). Posteriormente, la IA recibe un ligero ajuste con modelos avanzados donde operan leyes de gravedad alternativa o se considera la masa de los neutrinos.
El ahorro resultó ser colosal. Los costes en supercomputación se redujeron más de diez veces. ¿Un gran avance? No exactamente.
Los científicos emplearon el célebre conjunto de universos virtuales Quijote y descubrieron un error sistémico oculto. En el ámbito del aprendizaje automático, esto se denomina transferencia negativa. Cuando la red neuronal se topa con manifestaciones de una física fundamentalmente nueva, empieza a ajustarlas obstinadamente a la experiencia previa que ya conoce.
El problema reside en la denominada degeneración física. Se trata de una situación en la que procesos cósmicos completamente distintos generan marcadores idénticos en las imágenes de los telescopios. Por ejemplo, la forma en que los neutrinos masivos afectan a los cúmulos de galaxias es visualmente casi indistinguible de las fluctuaciones estándar en la densidad de la materia (el parámetro sigma 8). Una IA entrenada con modelos básicos detecta el patrón familiar y reporta con seguridad: "Todo está en orden, es el universo estándar". La señal de la nueva física queda, sencillamente, borrada por el algoritmo.
¿Qué significa esto para nosotros? Por ahora, no es posible confiar plenamente en la autonomía de las redes neuronales para localizar anomalías cósmicas. La IA es un acelerador magnífico de tareas rutinarias, pero el control final en la búsqueda de desviaciones sigue dependiendo del ser humano.
Actualmente, el método se está probando con modelos sintéticos, pero el siguiente paso es la verificación con enormes volúmenes de datos provenientes de nuevos telescopios ópticos. Comprender este defecto permitirá a los físicos corregir los algoritmos de entrenamiento. A largo plazo, esto conduce al desarrollo de sistemas más flexibles, capaces no solo de confirmar los libros de texto antiguos, sino de detectar anomalías que transformarán nuestra comprensión del espacio y el tiempo.
El efecto de ceguera de los algoritmos se debe a la degeneración física, una situación en la que procesos cósmicos fundamentalmente diferentes producen señales observadas idénticas.
Hasta el momento, el método se ha probado únicamente con datos sintéticos. El próximo desafío será la validación con observaciones reales del cielo nocturno. Este estudio delimita claramente las fronteras: la IA puede acelerar exponencialmente los cálculos rutinarios, pero el hallazgo final de anomalías más allá del Modelo Estándar aún exige una supervisión humana rigurosa. La tecnología nos encamina hacia una comprobación de hipótesis más ágil, siempre que logremos que los algoritmos duden de sus propias bases de datos.
