Receta cósmica: cómo una red neuronal adivina la composición del Universo ✛ ✦

Original: "Simulation-Based Inference for Cluster Cosmology with Set-Based Neural Network Architectures"
arXiv:2606.27439 · 2026-06-25 · CC BY 4.0 · 1 min
Un nuevo programa informático aprende a «probar» cúmulos de galaxias y, por su sabor, determinar cuánta materia oscura y energía oscura hay en el Universo.

A partir de los cúmulos de galaxias —nubes gigantescas de miles de sistemas estelares, gas caliente y la invisible materia oscura— se puede calcular cuánta materia oscura y energía oscura, que gobiernan su expansión, hay en el Universo. Es como intentar reconstruir la receta de un plato a partir del sabor, sin conocer los ingredientes. Antes, los científicos construían manualmente fórmulas complejas; ahora, una red neuronal aprende a adivinar la composición de inmediato.

El método se basa en el entrenamiento con miles de universos ficticios con diferentes «recetas». La red neuronal no memoriza ecuaciones, sino que produce directamente los parámetros más probables. Su principal ventaja es la capacidad de procesar listas de cúmulos de cualquier longitud: como un cocinero que evalúa un plato con la misma confianza usando veinte ingredientes que cien. La precisión ya iguala a los cálculos tradicionales.

El telescopio eROSITA, llamado así en honor a Rashid Sunyaev, ha construido el primer mapa completo de rayos X del cielo en 30 años: más de 5.000 cúmulos se han convertido en un «menú» listo para el análisis.

El gas en ellos se calienta a decenas de millones de grados, más caliente que el centro del Sol. El enfoque es universal: también se pueden estudiar lentes gravitacionales (donde los cuerpos masivos curvan la luz) o el corrimiento al rojo (con el que se miden distancias a galaxias lejanas).

Los rayos X de los cúmulos son completamente absorbidos por la atmósfera terrestre, por lo que el telescopio eROSITA funciona en el espacio, recogiendo señales invisibles desde la Tierra.

\left\langle \ln \frac{CR}{CR_{p}} \right\rangle = A_X + B_X \ln\frac{M}{M_{p}} + D_X \ln\frac{d_L(z)}{d_L(z_p)} + E_X \ln\frac{E(z)}{E(z_p)}
El logaritmo esperado de la tasa de conteo depende de la masa, el corrimiento al rojo y las distancias cosmológicas. Los parámetros libres se calibran mediante lentes gravitacionales débiles.
Científicos
Fritz ZwickyNancy Grace RomanRashid Alievich SunyaevR. Brent Tully
Conceptos
simulación cosmológica redes neuronales en mapeo espacial datos cosmológicos IllustrisTNG modelado estocástico simulación con supercomputadora xgboost agrupamiento cartografía celeste mapeo de galaxias con redes neuronales cadena de markov monte carlo