4 610 universos — esa es la cantidad de modelos computacionales que necesitaron los astrónomos para demostrar que la familiar «máscara de Gauss» ya no sirve para los datos de nueva generación. Esta máscara se coloca cuando se supone que todas las incertidumbres siguen la misma ley — la llamada distribución normal (una curva con forma de campana). Pero en el cosmos todo es diferente. La materia oscura (la sustancia invisible que mantiene unidas las galaxias), que fue detectada por primera vez por Vera Rubin, se acumula en enormes cúmulos. Esto rompe el esquema simple. Los futuros relevamientos del cielo, como el telescopio Euclid, medirán la estructura a gran escala del Universo a través de las diminutas distorsiones en las formas de galaxias lejanas. Con estos datos se puede determinar la fracción de materia Ωm (cuánta materia hay en el Universo) y, por tanto, comprobar la naturaleza de la energía oscura (la misteriosa fuerza que hace que el Universo se expanda cada vez más rápido) y cómo la gravedad gobierna esta expansión acelerada, que descubrieron Edwin Hubble y Georges Lemaître.

Para extraer números de esas distorsiones, los científicos aplican dos enfoques. El método clásico (ELI) confía en la máscara de Gauss: cree que cualquier error puede describirse con una simple «campana». Para ello utiliza simulaciones numéricas (universos simulados) y construye cálculos rápidos aproximados. El método alternativo (LFI) se quita la máscara. Aplica aprendizaje automático, en concreto redes neuronales convolucionales (programas que saben encontrar patrones en imágenes digitales — conjuntos de píxeles). Con muchas simulaciones, la red neuronal memoriza cómo son realmente los datos y luego, mediante inferencia bayesiana (una forma de actualizar probabilidades a medida que llega información), estima honestamente los parámetros necesarios.

Los investigadores organizaron un duelo justo con 4 610 universos. El método antiguo, ELI, se comportaba como una persona con máscara que intenta adivinar un objeto al tacto: si los datos eran simples, lo lograba, pero apenas aparecía una pequeña «irregularidad», se equivocaba. Por ejemplo, cuando se usó una red neuronal para comprimir los datos, las predicciones de ELI para el parámetro clave S8 (una medida de la aglomeración de la materia) resultaron ser 2,2 veces menos precisas que las de LFI. El nuevo método, LFI, por el contrario, siempre mostraba resultados precisos y correctos.

La lección principal: la máscara de Gauss se ha convertido en una ilusión peligrosa en la era de las mediciones precisas. El trabajo demostró que los métodos sin suposiciones rígidas no son un juego, sino una necesidad. Pero también mostró que el método antiguo puede funcionar si los datos se comportan «según las reglas». La conclusión práctica: cualquier análisis futuro de datos del cosmos debe pasar por una estricta verificación de honestidad — una calibración. De lo contrario, los artefactos del método podrían confundirse con nuevas leyes de la naturaleza. Al quitarle la máscara a estos 4 610 universos, los científicos nos dieron la oportunidad de ver la verdadera estructura a gran escala sin distorsiones.