El diapasón cósmico: la red neuronal KLT-Net reescribe la escalera de distancias
La red neuronal híbrida KLT-Net, que combina tres arquitecturas (KAN, LSTM, Transformer), ha permitido reconstruir directamente, sin suposiciones rígidas, la escalera de distancias cósmicas a partir de datos de supernovas (catálogo Pantheon). Este enfoque reveló conexiones no lineales ocultas, inaccesibles para los métodos estándar. Luego, dentro del modelo plano ΛCDM, se estimaron la constante de Hubble (H₀) y la densidad de materia, utilizando una calibración robusta de la luminosidad. El resultado: la red funciona como un equipo bien coordinado, donde cada tipo de red es un especialista en diferentes aspectos de los datos, lo que permite obtener parámetros cosmológicos precisos.
La cosmología moderna ha caído en una disonancia. Las mediciones locales de la constante de Hubble basadas en supernovas y cefeidas arrojan alrededor de 73 km/s/Mpc, mientras que las restricciones globales del fondo cósmico de microondas dentro del modelo estándar ΛCDM indican 67 km/s/Mpc. Esta discrepancia de ~5σ, conocida como la "tensión de Hubble", suena como un acorde estridente que exige o nueva física o una reconstrucción completa de la escalera de distancias. Precisamente esta escalera, donde cada peldaño se apoya en el anterior, puede asemejarse a una orquesta: las supernovas tipo Ia son diapasones que marcan el tono, pero los errores sistemáticos y las suposiciones del modelo introducen desafinación. El enfoque tradicional —ajustar calibraciones manualmente— es como afinar instrumentos de oído en una sala ruidosa. Pero ahora ha surgido un director de orquesta de nuevo tipo: KLT-Net.
Este director no es humano: es una red neuronal híbrida inspirada en el teorema de Kolmogórov-Arnold. Combina tres principios en una sola partitura. Las capas LSTM captan los sobretonos locales —dependencias temporales en las curvas de luz— como un músico que sigue con sensibilidad los matices del sonido. Las capas KAN con B-splines entrenables construyen melodías complejas no lineales a partir de elementos simples, como un compositor que crea una sinfonía a partir de escalas. Y el codificador Transformer con mecanismo de auto-atención abarca toda la estructura armónica, sintiendo el ritmo global de la expansión. El entrenamiento se realizó con 1701 supernovas del catálogo Pantheon+, y así como un músico confía en el oído absoluto, KLT-Net confía en los datos, no en dogmas cosmológicos.
¿Qué mostró este director? Las pruebas de ablación —cuando los solistas-componentes abandonaban la orquesta uno por uno— confirmaron que el conjunto completo de KLT suena más estable, reduciendo la varianza del error a 0.0005. A través del ruido de los datos emergió una nota pura: constante de Hubble H₀ = 69.58 km/s/Mpc. Resultó ser ligeramente inferior a las mediciones locales de Edwin Hubble y sus seguidores, pero superior al fondo cósmico, suavizando la dolorosa brecha. La densidad de materia Ωₘ=0.301 resuena con otras sondas, insinuando un motivo universal. Es interesante que la magnitud estelar absoluta de las supernovas M_B = –19.38 mag se obtuvo mediante el robusto método del valor más frecuente, como si el director escuchara al "coro" de la mayoría, ignorando valores atípicos extremos.
Este trabajo es solo una obertura. Las redes neuronales informadas por la física (PINN) ya están tejiendo las ecuaciones de Friedman directamente en la partitura, y la regresión simbólica promete deducir automáticamente las leyes de la energía oscura y la materia oscura. Imagine una red que no solo afina instrumentos, sino que compone la música del Universo a partir de la luz de miles de millones de estrellas. Los próximos relevos LSST y Euclid generarán millones de "notas", y los algoritmos como KLT se convertirán en los principales arreglistas. Así, paso a paso, nos acercamos a escuchar la verdadera armonía del cosmos.
🎯 El método del valor más frecuente (MFV), aplicado para estimar la luminosidad absoluta de las supernovas, funciona como buscar la opinión más popular entre expertos: descarta los valores extremos y se apoya en el "coro" de la mayoría de los datos.
🎬 Recuerda a la "psicohistoria" de la saga de la Fundación de Asimov, donde el análisis de grandes conjuntos de datos, sin conocer los mecanismos detallados, permitía predecir el futuro de un imperio galáctico. Aquí, la red neuronal predice la historia de la expansión a partir de la luz de estrellas lejanas.