Eco en el laberinto: por qué el aprendizaje automático solo oye ecos ✛ ✦

‹›

Las señales gravitacionales de estrellas masivas moribundas son susurros que nos llegan desde los laboratorios más violentos del Universo. Einstein predijo estas ondas gravitacionales hace más de un siglo, pero solo hoy, con detectores como LIGO, comenzamos a escucharlas. El núcleo en colapso de una supernova —el instante en que la materia se comprime a densidades inimaginables, dando origen a una estrella de neutrones— deja una huella única en el tejido del espacio-tiempo. Descifrarla es asomarse a las entrañas mismas de las fuerzas nucleares, allí donde protones y neutrones se entrelazan en estados exóticos. Pero aquí se oculta una trampa, familiar para cualquiera que haya intentado aprender un idioma con viejos discos de vinilo.

Imagine a un músico que se prepara para un concierto. Escucha una y otra vez la misma grabación de una sonata, memorizando cada nota, cada suspiro del intérprete. En la audición, cuando le ponen la misma grabación, «acompaña» de manera impecable. Pero en cuanto suena una interpretación en vivo, se pierde, porque solo ha aprendido un eco concreto y no la música en sí. Así también nos falla a veces la memoria: «recordamos» lo que no ha ocurrido si encaja en un contexto familiar. En el aprendizaje automático para astrofísica sucede lo mismo. Los algoritmos, entrenados con catálogos de simulaciones numéricas de ondas gravitacionales, a menudo se evalúan con validación cruzada aleatoria: las señales se mezclan y fragmentos de un mismo «fonograma» acaban tanto en el entrenamiento como en la prueba. Esto crea la ilusión de comprensión. Cuando se le pide al modelo que prediga los parámetros de la ecuación de estado nuclear para señales de una familia completamente diferente —aquellas que nunca ha «oído»—, la confianza se derrumba. El coeficiente de determinación R² ≈ 0.70, tan prometedor con la partición aleatoria, se vuelve negativo en una prueba honesta que excluye un grupo entero de ecuaciones de estado.

Esta fuga de patrones no es solo un detalle técnico molesto. Revela un problema fundamental: intentamos extraer de los datos las más sutiles regularidades físicas, pero los algoritmos se aferran a artefactos superficiales —la forma concreta de la explosión, los ecos de la rotación— y no a la ecuación de estado. Chandrasekhar mostró antaño el límite más allá del cual una estrella está condenada a ser de neutrones o un agujero negro; Zwicky intuyó que de ese colapso nacen las supernovas; Bethe explicó qué reacciones nucleares alimentan su luz. Ahora que los interferómetros de tercera generación, como el Einstein Telescope y el Cosmic Explorer, se preparan para captar señales con una precisión sin precedentes, tenemos la obligación de aprender a separar la física del espejismo.

El camino a seguir exige combinar métodos. La astronomía multimensajero —la detección simultánea de ondas gravitacionales, neutrinos y destellos electromagnéticos— promete romper la degeneración del problema inverso. Las redes neuronales informadas por la física, con las leyes de conservación y las simetrías incorporadas, deben sustituir al ajuste ciego. En vez de un único disco rayado para siempre, reunimos una gigantesca fonoteca de voces del cosmos —desde los estertores de las supernovas hasta el barítono de los púlsares— y aprendemos a oír el lenguaje común: la ecuación de estado de la materia densa. Y entonces, el susurro de los núcleos en colapso, tras recorrer millones de años luz, no solo nos contará las propiedades de la materia densa, sino que revelará una de las recetas fundamentales del Universo: cómo se comporta la sustancia cuando la frontera entre materia y vacío se desvanece.