Aislar la señal de un par de agujeros negros supermasivos es como distinguir los pasos de un bailarín en el estruendo de un huracán. En algún lugar del cosmos, estos monstruos giran en un lento tango gravitacional, deformando el propio espacio-tiempo. Sus ondas gravitacionales no son picos bruscos como los de LIGO, sino una respiración profunda de la métrica, extendida a lo largo de años. Detectarlas es el objetivo de los conjuntos de cronometraje de púlsares, redes de radiotelescopios que monitorean metrónomos cósmicos: estrellas de neutrones de milisegundos estrellas de neutrones. Descubiertos por Jocelyn Bell Burnell en 1967, su pulso es más preciso que el de un reloj atómico, y el paso de una onda gravitacional altera el ritmo de sus pulsos en apenas decenas de nanosegundos. Pero la señal de un par individual de agujeros negros se ahoga en el ruido: hay que tener en cuenta decenas de púlsares, parámetros orbitales, correcciones relativistas y los caprichos de los propios «relojes». Métodos clásicos como MCMC vagan durante semanas por el paisaje multidimensional de probabilidades. El nuevo trabajo insufla una segunda vida a este proceso.

La idea es dotar al aprendizaje automático no solo de potencia de cálculo, sino de un sentido físico del ritmo. La arquitectura del transformer —la misma que subyace en los modelos de lenguaje— recibe «codificaciones posicionales» de un nuevo tipo. En lugar de senoides abstractas, el modelo se alimenta con la fase orbital instantánea del sistema. La fase es como la batuta de un director que marca el compás a toda la orquesta de señales de púlsares. Se calcula con correcciones posnewtonianas hasta el tercer orden, porque en el campo intenso de los agujeros negros el baile se acelera: según la fórmula de radiación cuadrupolar predicha por Albert Einstein, las órbitas se contraen cediendo energía a las ondas. El transformer jerárquico primero escucha el ritmo de cada púlsar por separado y luego capta las correlaciones más sutiles entre ellos: un retrato «sonoro» único de la onda gravitacional. La representación comprimida final entra en un flujo normalizador, un modelo generativo que aprende a convertir una simple nube gaussiana en la caprichosa distribución a posteriori de los parámetros: masas, periodos, excentricidades. Como la fase real es desconocida para el observador, en paralelo opera una red decodificadora que la recupera a partir de los datos ruidosos. Así, la red neuronal adquiere la intuición de un mecánico celeste.

Este trabajo no es solo un banco de pruebas para el aprendizaje profundo. Demuestra que el sesgo inductivo respaldado por la física convierte la caja negra de la red neuronal en una herramienta transparente. El transformer con codificaciones de fase aprende a «razonar» en términos de mecánica orbital, en lugar de ajustar funciones a ciegas. La modularidad permite añadir fácilmente nuevas capas de ruido —ruido rojo de los púlsares, variaciones de dispersión, fondo estocástico— sin sacrificar velocidad. En el horizonte está el salto a datos reales de las colaboraciones, donde los radiotelescopios han acumulado archivos de años. Quizá estos métodos ayuden por fin a separar pares excéntricos individuales del zumbido gravitacional y entonces, al igual que Russell Hulse y Taylor demostraron indirectamente la existencia de las ondas gravitacionales, abriremos un nuevo capítulo en la comprensión de la evolución de los agujeros negros supermasivos y la naturaleza de la gravedad fuerte. En esencia, estamos aprendiendo a escuchar la respiración del universo.