La red neuronal predice la danza de neutrinos en explosiones estelares ✛ ✎ ✦

Original: "Machine Learning Detection of Non-Axisymmetric Fast Flavor Instabilities in Compact Objects"
arXiv:2607.12558 · 2026-07-14 · arXiv non-exclusive · análisis propio · 1 min
El algoritmo predice el cambio repentino del 'estilo de baile' de los neutrinos a partir de señales toscas.

En una supernova o durante la colisión de estrellas de neutrones hierve la plasma — una sopa hirviente de núcleos. Entre ellos, los neutrinos, fantasmas predichos por Pauli y estudiados por Bethe. En la estrechez espacial, cambian bruscamente y de forma sincrónica uno de sus tres ‘sabores’ — como bailarines que cambian de estilo. Este cambio colectivo de sabores determina el desarrollo de la explosión y el nacimiento de elementos en la nucleosíntesis.

Ver esa danza en simulaciones es difícil: la región del salto es del tamaño de una moneda, miles de millones de veces menor que la estrella. Los físicos entrenaron un algoritmo con miles de ejemplos simplificados: cómo se distribuyen los neutrinos y hacia dónde vuelan. El programa adivinaba el momento por señales toscas: la densidad general y el flujo. La precisión saltó al 90% cuando se le proporcionaron datos de los tres sabores: neutrinos electrónicos, muónicos y tau. Sorpresa: sin esos saltos sincrónicos, no aparecerían el oro ni el platino. En los remolinos de los discos de acreción, justo en ese instante se forjan los núcleos preciosos.

Los neutrinos de la supernova de 1987 llegaron a la Tierra tres horas antes que la luz, como un mensajero que advierte de la explosión.

G(v) = \sqrt{2}G_F \int \frac{d^3 p}{(2\pi)^3} (f_{\nu_e} - f_{\bar{\nu}_e})
Distribución del número leptónico electrónico
\alpha = I_0^{\bar{\nu}_e} / I_0^{\nu_e}
Densidad relativa de antineutrinos
Científicos
Enrico FermiPaul DiracAlbert EinsteinHans BetheLise MeitnerMargaret Burbidge
Conceptos
violación del sabor leptónico oscilaciones de sabor de neutrinos materiales con aprendizaje automático redes neuronales evidenciales neutrino muónico modelo de lenguaje de proteínas modelado físico con redes neuronales matriz de confusión aprendizaje activo aprendizaje supervisado débil procesamiento del lenguaje natural predicción de propiedades moleculares