Estudiando estrellas de neutrones — restos superdensos de gigantes que explotaron — los astrónomos buscan pistas en las ondas gravitacionales: el temblor del espacio que surge durante el colapso. Detectores como LIGO captan esta ondulación empleando medición láser de altísima precisión. Los programas de aprendizaje automático deben deducir las propiedades de la materia interior a partir de la forma de la onda. Pero la verificación estándar crea una engañosa sensación de éxito, como un cocinero que se ha aprendido el menú de memoria pero no sabe cocinar nada nuevo.

Tras crear un catálogo de simulaciones por ordenador de explosiones con distintos tipos de materia, los investigadores realizaron la prueba habitual: mezclaron los datos y ocultaron una parte; la precisión alcanzó el 70%. Pero bastó con excluir una clase entera de materia para que el programa fracasara: sus predicciones fueron peores que adivinar al azar. El algoritmo no memorizaba la física, sino las siluetas concretas de la onda.

Cuando la tarea se simplificó a estimar la masa de la estrella progenitora, el programa aprendió a generalizar. Esto es una advertencia para los futuros detectores: se necesitan pruebas con modelos nunca antes vistos. De lo contrario, un algoritmo inteligente no pasará de ser un cocinero adiestrado, incapaz de improvisar.