4 610 universos — exactamente esa cantidad de modelos cosmológicos necesitaron los astrofísicos para demostrar que la familiar máscara gaussiana ya no funciona para los datos de nueva generación. Los futuros relevamientos del cielo, como la misión Euclid y el Observatorio Vera Rubin, mediante lentes gravitacionales prometen mapas de materia oscura — esa misma cuya existencia descubrió Vera Rubin por la rotación anómala de las galaxias. Estos mapas se construyen a partir de diminutas distorsiones en las formas de galaxias lejanas — el lente gravitacional débil, que siente toda la estructura a gran escala del Universo. A partir de ellos se pueden medir la densidad de materia Ωm y el parámetro de agrupamiento S8, y a través de ellos, verificar la naturaleza de la energía oscura y la expansión acelerada del universo, descubierta por Edwin Hubble y fundamentada teóricamente por Georges Lemaître. Sin embargo, para extraer estos parámetros se necesita una inferencia estadística. El método clásico — la inferencia explícita (ELI) — coloca sobre los datos una «máscara gaussiana»: asume que todas las incertidumbres siguen una distribución normal, y que la relación con la cosmología se describe con un simple emulador entrenado en simulaciones numéricas. La alternativa — la inferencia sin verosimilitud (LFI) — se quita la máscara: mediante aprendizaje automático, en particular redes neuronales convolucionales, aprende la forma de la distribución directamente a partir de ejemplos y no requiere dogmas gaussianos.

Para dirimir la controversia, los científicos construyeron un campo de pruebas ideal. Dentro del pipeline de simulación GLASS se generaron 4 610 universos independientes con diferentes combinaciones de Ωm y σ8 en el marco del modelo ΛCDM, donde la gravedad está dictada por la relatividad general, y la ecuación de Friedmann \[ H^2(a) = H_0^2 \left( \Omega_m a^{-3} + \Omega_\Lambda \right) \] marca el ritmo de expansión. Cada universo es una esfera celeste completa, dividida en píxeles con una resolución de aproximadamente 7 minutos de arco. Se superpuso un ruido realista de formas de galaxias, como en el lanzamiento final de Euclid (30 galaxias por minuto cuadrado), y se recortó una región de 100 grados cuadrados — un tamaño típico de los primeros relevamientos. Para cada universo se midieron dos tipos de estadísticos: las funciones de correlación de cizallamiento clásicas, que según la teoría de lentes gravitacionales se relacionan con el espectro de potencia tridimensional de la materia oscura como \[ C_\ell^{\gamma\gamma} = \int_0^{\chi_H} d\chi \frac{W^2(\chi)}{\chi^2} P_\delta(\ell/\chi) \], y un estimador de red neuronal convolucional entrenado directamente en los mapas. Luego los datos se comprimieron a dos números: ya sea mediante el método lineal MOPED, óptimo para campos gaussianos, o mediante una red neuronal no lineal. Después se ejecutaron dos procedimientos de inferencia. ELI entrenó un emulador de proceso gaussiano, estimó la matriz de covarianza y aplicó una verosimilitud gaussiana. LFI entrenó un estimador de densidad neuronal en la mayoría de los universos para aprender la forma de la verosimilitud sin supuestos. Ambos métodos pasaron por inferencia bayesiana — un duelo honesto en el mismo campo de pruebas.

La primera comparación reveló un drama. Para ELI con compresión lineal, la máscara gaussiana se agrietó: las restricciones sobre Ωm resultaron el doble de amplias que las de LFI, y la distribución se desvió de la verdad. La razón: un segundo componente de compresión mal emulado, que portaba información sobre la densidad de materia y mostraba una ligera no gaussianidad. Cuando se eliminó ese componente o se pasó el mismo modelo a LFI, la diferencia desapareció — ambos métodos convergieron. Con la compresión no lineal por red neuronal, la máscara gaussiana se rompió definitivamente: la distribución de los datos comprimidos dejó de ser normal, y ELI arrojó errores 2,2 veces mayores en S8 y 1,3 veces mayores en Ωm, mientras que LFI mantuvo la precisión. El conflicto fue aún más evidente al comparar las funciones de correlación con la CNN. En un mundo gaussiano ideal, la estadística de dos puntos debería contener toda la información, pero ELI, debido a su máscara, mostró que la CNN mide Ωm el doble de bien y S8 1,6 veces peor. Por su parte, LFI, liberado de la máscara, confirmó la igualdad teórica: la CNN y las correlaciones comprimidas dan resultados consistentes con una diferencia de solo el 30%. Las pruebas de calibración, normalmente aplicadas solo a LFI, se convirtieron en la principal herramienta de diagnóstico: indicaron claramente dónde ELI pierde calibración. Las pruebas tradicionales de normalidad (Kolmogorov-Smirnov, χ²) resultaron demasiado débiles y no detectaron las desviaciones peligrosas.

La moraleja es la siguiente: la máscara gaussiana ya no puede ser el estándar en la era de los relevamientos de alta precisión. El trabajo demostró que los métodos sin verosimilitud explícita no son solo un juguete de moda, sino una herramienta necesaria para un análisis honesto de los datos. Al mismo tiempo, rehabilita a ELI, mostrando que con un emulado cuidadoso y en ausencia de no gaussianidad, funciona igual de bien. La conclusión práctica principal: cualquier análisis cosmológico futuro debe ir acompañado de pruebas de calibración rigurosas; de lo contrario, corremos el riesgo de confundir artefactos del método con nuevos efectos físicos. La elección del método de compresión de datos es crítica para ELI, pero casi indiferente para LFI, lo que otorga libertad en la construcción de estadísticos óptimos. Los siguientes pasos ya están claros: simulaciones N-body completas con evolución no gaussiana, cortes tomográficos, consideración de sistemáticas. Lo que está en juego es la capacidad de distinguir la energía oscura de la gravedad modificada. Y si la máscara ha caído sobre estos 4 610 universos, sin ella en el futuro veremos la verdadera estructura del cosmos.