El descifrador de las revueltas de neutrinos: cómo la IA lee el caos en las entrañas estelares ✦
En los densos núcleos de las supernovas colapsantes, los neutrinos pueden cambiar casi instantáneamente de sabor (tipo). La condición necesaria es un cero en la distribución angular del número leptónico electrónico. Entrenando un modelo de aprendizaje automático con características simples de la radiación, los científicos lograron un buen reconocimiento de esos momentos; curiosamente, la ruptura artificial de la simetría axial, como añadir una nota faltante a un acorde, aumentó drásticamente la precisión. Este es un paso importante hacia la inclusión de las rápidas transformaciones de sabor en simulaciones a gran escala de explosiones estelares.
Cuando una estrella gigante colapsa en una supernova o dos bolas de neutrones se fusionan en una danza cósmica, billones de neutrinos se llevan la energía del cataclismo. Estas partículas fantasma, cuya existencia no se reconoció de inmediato incluso después de la predicción de Wolfgang Pauli, se comportan como una multitud agitada en un estadio gigantesco: cada neutrino electrónico y su antipartícula se mueven caóticamente, pero juntos pueden desencadenar una ola que se autoamplifica: la conversión rápida de sabor. Una vez que la ola recorre el plasma del núcleo, la alquimia estelar reescribe el guion: el nacimiento del oro y el uranio, el desenlace de la explosión... todo se decide en el instante en que los neutrinos se quitan sus máscaras cuánticas.
Rastrear cada partícula en las simulaciones numéricas es imposible: solo disponemos de flujos promediados (los momentos cero y primero de la distribución angular). Pero, como se ha descubierto, estas escuetas pistas bastan para la predicción automática. Algoritmos entrenados con una muestra artificial —regresión logística, método de los vecinos más próximos y, en especial, máquinas de vectores de soporte— sustituyen el costoso cálculo microscópico. Como entrada se usan combinaciones sencillas de densidades y flujos: por ejemplo, la relación $\alpha = I_0^{\bar{\nu}_e}/I_0^{\nu_e}$. En las pruebas, la precisión alcanzó el 98 %, y con datos realistas de fusiones de estrellas de neutrones, el algoritmo no se equivocó ni una sola vez.
Sin embargo, al examinar el estado después de la conversión apareció un truco. Los modelos entrenados solo con neutrinos electrónicos «veían» inestabilidad donde ya había desaparecido: entraban en juego los neutrinos muónicos y tauónicos, reconfigurando el panorama. Cuando se excluyó de la clasificación verdadera la contribución de los neutrinos leptónicos pesados, la precisión se disparó hasta el 93–98 %. Conclusión: una predicción fiable exige entrenar el sistema con los tres sabores.
Las perspectivas de estos guardianes neuronales de la estabilidad de sabor son enormes. Incrustados en los códigos hidrodinámicos, advertirán en tiempo real del inicio de las conversiones, abaratando radicalmente las simulaciones. Esto permitirá predecir con mayor precisión las señales de neutrinos para IceCube y Super-Kamiokande, las ondas gravitacionales para LIGO y Virgo y, en última instancia, el mapa de la nucleosíntesis en los abrazos mortales de los objetos compactos. El siguiente paso es enriquecer los modelos con los momentos de los neutrinos muónicos y tauónicos, y pasar a redes neuronales profundas entrenadas directamente con datos tridimensionales de los discos de acreción.
🎯 Si imaginamos el núcleo de una supernova como un estadio de fútbol, la región donde nace la rápida inestabilidad de sabor sería más fina que una telaraña: centímetros frente a decenas de kilómetros.