Un telescopio de rayos X en órbita registró durante años cómo brillan los sistemas binarios donde una estrella normal orbita un agujero negro o una estrella de neutrones. La materia de la compañera cae sobre el objeto compacto, se calienta a millones de grados y emite rayos X. En el archivo se acumularon miles de espectros —gráficos de cuánta luz llega a cada energía. Distinguir en ese gráfico un agujero negro de una estrella de neutrones es algo que un astrónomo experimentado puede hacer, pero revisar el archivo a mano llevaría demasiado tiempo.

Los investigadores entrenaron una red neuronal con esos espectros. La primera versión recibía solo los brillos a distintas energías —cientos de números. La segunda, los mismos brillos más los errores de medición. Ambas aprendieron a adivinar el tipo de objeto con una precisión del 90–94%. Pero cómo tomaba la decisión la red seguía siendo un misterio: para ella, un espectro es solo una larga lista de dígitos.

El primero es la temperatura del disco: cuánto se calienta la materia que cae. El segundo, la pendiente de la cola de ley de potencias: indica qué tan rápido disminuye el brillo al aumentar la energía. El tercero, la proporción de contribuciones del disco y la cola: quién domina la emisión. El cuarto, qué tan bien describe el modelo los datos. El quinto, la dispersión del brillo de una observación a otra. Estos cinco parámetros reflejan la física de la acreción —el proceso por el cual la materia gira y cae sobre el objeto compacto.

Luego armaron una tercera red neuronal que no veía los espectros, sino solo esos cinco números. La precisión se mantuvo en el mismo nivel. Esto significa que las redes realmente se apoyan en indicios astrofísicos comprensibles, no en ruidos aleatorios de los datos. El método no está atado a un satélite específico: los mismos cinco parámetros se pueden extraer de datos de otros telescopios de rayos X, actuales y futuros. Así, la máquina no solo da un diagnóstico, sino que lo explica en un lenguaje familiar para el astrónomo.