Un artista hace un boceto rápido al carboncillo — y el rostro en el retrato ya es reconocible. Los astrofísicos se enfrentan a una tarea similar: el espectro de una estrella es su retrato individual, que revela temperatura, composición, gravedad superficial. Hasta hace poco, para obtener ese retrato se necesitaba una laboriosa «pintura al óleo»: un código de transporte radiativo en condiciones de desviación del equilibrio termodinámico local (non-LTE). Un solo espectro sintético preciso requería horas de cálculo. Pero en la era de los sondeos de nueva generación, como WEAVE y 4MOST, se necesitan millones de retratos. Aquí entra en escena SpecFANN: una red neuronal entrenada para dibujar bocetos rápidos, pero sorprendentemente precisos, de espectros estelares.

Un grupo de investigadores tomó 50 147 modelos creados con el código FASTWIND, una especie de «artista» de referencia. Cada modelo representaba el espectro de una estrella con parámetros específicos: temperatura efectiva, gravedad superficial, radio, abundancia de helio y de elementos C, N, O, Si. Este conjunto se convirtió en un álbum de aprendizaje. 140 redes neuronales independientes (una por línea espectral importante) aprendieron a predecir la forma de la línea a partir de cinco números de entrada. Tras aproximadamente una hora de entrenamiento en una GPU NVIDIA L40S, cada red comienza a generar 161 puntos del perfil casi al instante. La física del núcleo estelar — el ciclo CNO, descrito por primera vez por Hans Bethe — deja firmas características en el espectro que la red neuronal aprendió a captar sin cálculos directos de transporte radiativo.

Un boceto rápido puede difuminar los pequeños detalles, pero los rasgos principales permanecen. Para las líneas fotosféricas (las que nacen en las capas más densas), el error medio cae por debajo del 0,1 % — casi como el modelo original. Las líneas de viento, que surgen en la envoltura en rápida expansión, son más difíciles, pero incluso allí el error rara vez supera el 1 %. Las líneas de hidrógeno, como la Hα de la serie de Balmer, descubierta por Johann Jakob Balmer, se reproducen muy bien. La verdadera sorpresa fue que tener en cuenta la rotación estelar — un ligero «ensanchamiento» del perfil por efecto Doppler — suaviza aún más el ruido fino de las predicciones, reduciendo el error a la mitad.

La velocidad del emulador (360 000 veces más rápido) convierte lo imposible en rutina. Los métodos de análisis bayesiano, como MCMC, que exploran miles de variantes, se vuelven aplicables a modelos non-LTE. Los astrónomos ya no están obligados a conformarse con índices espectrales parcos: pueden usar toda la información que portan cientos de líneas. En el futuro, la arquitectura de las redes se optimizará para diferentes metalicidades, se añadirán parámetros de viento y se tendrán en cuenta los sistemas binarios. Gracias a SpecFANN, el análisis masivo de evolución estelar a partir de datos de sondeos llevará días, no siglos.

Un boceto rápido no sustituye a un lienzo detallado cuando se necesita una precisión del cien por cien. Pero en astrofísica se avecina una era en la que lo importante no son las obras maestras individuales, sino los conjuntos estadísticos. SpecFANN es la herramienta que permite, tras echar un vistazo rápido a miles de retratos, encontrar las estrellas más extraordinarias — futuras supernovas, fuentes de ondas gravitacionales — y luego estudiarlas en detalle. El dibujo al carboncillo aporta lo esencial: velocidad. Y con ella llega la posibilidad de ver el bosque más allá de los árboles.