Cómo una red neuronal ayuda a ver la materia invisible ✛ ✎ ✦

Original: "Neural Posterior Estimation for Inferring Weak Lensing Shear"
arXiv:2607.09867 · 2026-07-10 · arXiv non-exclusive · análisis propio · 1 min
Una red neuronal evalúa directamente cómo la materia oscura distorsiona galaxias lejanas, sin largos ajustes de instrumentos.

La luz de las galaxias lejanas, al pasar cerca de cúmulos de materia oscura, se curva como a través de un vidrio ondulado. Este fenómeno, predicho por Einstein y confirmado por Zwicky y Rubin, permite pesar estructuras invisibles. Pero medir la distorsión con precisión es como adivinar la curvatura de un espejo a partir de sombras borrosas. Normalmente se construye una cadena: se encuentran las galaxias, se mide su alargamiento, se calibran los instrumentos. Los científicos entrenaron una red neuronal con decenas de miles de imágenes artificiales de simulaciones por computadora. La red observa una imagen en varios colores y de inmediato indica cuánto y hacia dónde se ha curvado la luz. Además, lo hace en segundos; antes se tardaba meses. El método unifica todos los pasos en uno solo y no requiere conocer los defectos del telescopio: la red aprende a ignorarlos. La precisión permite elaborar mapas de materia oscura y entender cómo la energía oscura controla la expansión del universo. Para los futuros sondeos con miles de millones de galaxias a diferentes distancias (corrimientos al rojo), este enfoque será indispensable.

El futuro telescopio LSST fotografiará tantas galaxias que, si cada una fuera un grano de arena, bastaría para cubrir un campo de fútbol con una capa de varios centímetros.

De manera similar a como en la novela 'Spin' un campo misterioso distorsiona la luz de las estrellas, la materia oscura altera las trayectorias de los rayos de galaxias lejanas.

\hat{\gamma}_j^n = (1+m_j)\gamma_j^n + c_j
Relación entre el cizallamiento verdadero y su estimación; m_j y c_j son las componentes multiplicativa y aditiva del sesgo, que el nuevo método minimiza sin calibración explícita.
Científicos
Fritz ZwickyVera RubinRoberto D. PecceiHelen QuinnR. Brent Tully
Conceptos
polarimetría con redes neuronales mapeo de galaxias con redes neuronales aprendizaje profundo en imagenología médica muestreo anidado lente gravitacional débil modelado de lentes gravitacionales clasificación de imágenes imagen de píxel único aprendizaje supervisado débil distribución posterior predicción de propiedades moleculares procesamiento digital de imágenes regresión simbólica inferencia bayesiana remuestreo jackknife simulación numérica espectroscopía con reducción de ruido sustracción de ruido interpolación máxima verosimilitud