En 2019, en el detector LIGO se registró una onda gravitacional — una ondulación en el tejido del espacio-tiempo — cuyo mapa tiempo-frecuencia se asemejaba a un curioso peine. Cada señal de fusión de agujeros negros deja un patrón único, similar a huellas dactilares. Pero el problema es que dos fenómenos completamente diferentes pueden dibujar imágenes casi indistinguibles.
Si una onda gravitacional pasa cerca de un objeto masivo, se produce el efecto de microlente gravitacional — el enfoque de las ondas gravitacionales por un objeto compacto. La frecuencia y amplitud de la señal comienzan a oscilar, como si el detector captara la interferencia de varias copias del mismo evento. Por otro lado, cuando uno de los agujeros negros gira y su eje no coincide con el momento orbital, el plano orbital comienza a rotar — esto es la precesión. También modula la señal, pero de manera completamente diferente. Separar estos escenarios de forma rápida y fiable es como distinguir dos huellas similares dejadas en diferentes momentos y con diferente presión.
Los investigadores crearon una base de 60 000 huellas sintéticas — simulaciones numéricas de señales de tres tipos: con microlente sin rotación, sin lente con precesión, y ordinarias no rotantes. Cada señal se pasó a través de modelos de ruido realistas — desde ruido gaussiano idealizado hasta grabaciones reales del detector LIGO Hanford del período de observación O4a. Luego, se transformaron en transformadas Q — imágenes tiempo-frecuencia donde el brillo corresponde a la energía. Estas huellas bidimensionales fueron la entrada de una red neuronal convolucional con seis bloques, entrenada mediante aprendizaje automático.
El resultado sorprendió: en ruido gaussiano ideal, la precisión para separar señales con microlente y con precesión alcanzó el 95%. En ruido real de O4a, bajó al 82% — pero sigue siendo un avance para el procesamiento de señales de baja latencia. Los errores ocurrían en dos casos: cuando las distorsiones del lente eran apenas perceptibles (con parámetro de impacto grande y masa pequeña del lente), y cuando un «chirp» corto de un sistema binario masivo con relación de masas extrema se asemejaba a las oscilaciones del microlente. No obstante, una prueba con 124 eventos reales del catálogo O4a confirmó que el modelo entrenado en ruido gaussiano identificaba de manera fiable las señales ordinarias sin confundirlas con exóticas.
Este es el primer paso hacia la búsqueda masiva de objetos oscuros compactos — candidatos a agujeros negros primordiales, de los que podría estar compuesta la materia oscura. El reconocimiento rápido de eventos con lente evitará errores sistemáticos en la determinación de distancias y espines, críticos para probar modelos cosmológicos y la propia relatividad general. En el futuro, las arquitecturas de redes neuronales se volverán más complejas, incorporando órbitas excéntricas, modos superiores de radiación y escenarios híbridos con lente y precesión simultáneos. Por ahora, cada nueva huella tomada del tejido del espacio-tiempo nos acerca a desentrañar el lado oscuro del universo.
Una microlente con una masa de alrededor de mil masas solares puede alterar la señal de fusión de tal modo que incluso un clasificador automático la detecte: la amplitud oscilará a frecuencias de decenas de hercios, como si el detector recibiera «pulsaciones» de trayectorias de luz superpuestas.