El universo en la balanza: una red neuronal precisa la expansión del cosmos ✛ ✎

Original: "KAN-LSTM-Transformer Neural Networks, MFV and Cosmological Parameters"
· Jiang Zhang, Yan-dong Chen
arXiv:2607.06959 · 2026-07-08 · arXiv non-exclusive · análisis propio · 2 min
El programa aprende por sí mismo a determinar distancias a partir de la luz de explosiones estelares lejanas.

Imagina una habitación oscura con una bombilla. Sabes que su potencia real es de 100 vatios, pero se ve tenue: eso significa que está lejos. Cuanto más tenue, más lejos. Los astrónomos usan un truco similar: observan explosiones especiales, las supernovas, cuyo brillo real es casi siempre el mismo. Es como si el cosmos hubiera colocado faros por todo el espacio. Fue así como en los años 90 Adam Riess y sus colegas descubrieron que el universo se expande cada vez más rápido.

Durante mucho tiempo se pensó que la expansión ocurría a un ritmo constante, la llamada constante de Hubble en honor a Edwin Hubble (aunque la idea la propuso antes Georges Lemaître). Sin embargo, las mediciones con supernovas dan un valor, y las del antiguo fondo cósmico de microondas dan otro. Esta discrepancia podría indicar nuevas propiedades de la energía oscura o lagunas en la teoría. Para sortear el debate, los científicos crearon la red neuronal KLT-Net: observa el corrimiento al rojo de la luz (su enrojecimiento por el estiramiento del espacio) y deduce por sí sola a qué distancia corresponde. Los tres «cerebros» de la red —uno memoriza secuencias, otro encuentra patrones clave y el tercero capta la imagen global— aprenden sin fórmulas predefinidas.

La red se basa en B-splines, las mismas curvas suaves que dan forma a los dobleces en las películas de animación por computadora.

Resultado: la constante de Hubble resultó ser de unos 69.6 km/s por megapársec, más o menos la velocidad que alcanzarían dos casas separadas por un millón de años luz alejándose una de otra cada segundo. Este valor se acerca un poco más a los datos del fondo cósmico de microondas, lo que suaviza la contradicción. Lo valioso de este enfoque es que no fuerza los números según dogmas, sino que busca honestamente la relación de manera directa. Cuando los nuevos telescopios nos inunden con imágenes precisas, redes como esta ayudarán a extraer pistas sobre la misteriosa energía oscura, la causa de la carrera cada vez más acelerada de las galaxias.

La red usa B-splines, las mismas curvas matemáticas que trazan líneas suaves en la animación por computadora. ¡Y en su día, Edwin Hubble dedujo la expansión del universo a ojo, analizando placas fotográficas!

La idea de un programa que reconstruye por sí solo la historia del cosmos recuerda a la «Enciclopedia Galáctica» de las novelas de «La Fundación» de Isaac Asimov: allí los matemáticos predecían el futuro analizando montañas de datos sin conocer todos los mecanismos.

\mu = m - M = 5 \log_{10}\left(\frac{D_L}{\text{Мпк}}\right) + 25
El módulo de distancia μ es una medida logarítmica del brillo que relaciona el brillo aparente m de una supernova, su luminosidad intrínseca M y la distancia fotométrica D_L. Así como el volumen del sonido disminuye con la distancia, la luz se atenúa, y esta fórmula es la acústica del cosmos.
H(z) = H_0 \sqrt{\Omega_{m0}(1+z)^3 + (1-\Omega_{m0})}
El parámetro de Hubble en el modelo ΛCDM plano describe cómo cambia la velocidad de expansión con el [tag:redshift]corrimiento al rojo[/tag] z. Es el patrón rítmico del Universo, determinado por la densidad de materia Ωₘ y la energía de vacío.
Científicos
Subrahmanyan ChandrasekharEnrico FermiAugustin-Louis CauchyChristiaan HuygensEmmy NoetherIsaac Newton
Conceptos
escalera de distancias cósmicas prueba de Kolmogorov-Smirnov máquina de vectores de soporte Monte Carlo hamiltoniano parámetros cosmológicos medición de distancias cósmicas grandes modelos de lenguaje lsst datos cosmológicos