Dos estrellas ultradensas giran una alrededor de la otra y finalmente chocan. Esta danza dura solo unos instantes, pero genera poderosas ondas en el espacio: ondas gravitacionales. Tras la fusión queda un conglomerado que gira rápidamente y que suena como una campana, y ese tañido lleva información sobre de qué estaban hechas las estrellas.

Los autores del estudio tomaron registros de esos "tañidos" de simulaciones por computadora y entrenaron redes neuronales para adivinar tres parámetros clave: la masa estelar, la deformabilidad de marea (cuán blanda es la estrella, como un malvavisco o dura como una nuez) y la pendiente de la relación masa-radio (qué tan rápido cambia el tamaño de la estrella al añadir masa). La red neuronal funciona como un mecánico experimentado que identifica las características del motor por el sonido. Solo que en lugar de un motor, hay una estrella de neutrones, y en lugar de un golpeteo, el espectro de ondas gravitacionales.

Un punto importante: el problema es inverso. Normalmente los físicos van de las propiedades de la estrella a predecir las ondas, pero aquí es al revés. Esto es más difícil, porque las mismas ondas a veces pueden ser generadas por estrellas diferentes. Para sortear la ambigüedad, las redes neuronales se entrenaron en dos etapas: primero hacían una predicción aproximada y luego la refinaban, centrándose en los casos más difíciles. Este enfoque recuerda a afinar un instrumento musical: primero aproximadamente, luego con precisión.

El resultado es inspirador: las redes neuronales no solo dan números, sino que reproducen leyes físicas conocidas. Por ejemplo, relacionan correctamente la frecuencia del tono fundamental del "tañido" con la rigidez de la estrella. Esto significa que el método no funciona como una caja negra, sino como una verdadera herramienta física. Cuando los detectores de nueva generación entren en funcionamiento, estas redes neuronales ayudarán a mirar en el interior de las estrellas de neutrones y a comprender de qué formas exóticas de materia están hechas.