Cómo una red neuronal lee las páginas invisibles de los cúmulos de galaxias ✛

Original: "Probing the baryonic--dark matter connection in galaxy clusters using X-rays with gated recurrent unit neural networks"
arXiv:2607.20721v1 · 2026-07-22 · CC BY 4.0 · 3 min
La red neuronal aprende de los datos del gas caliente y predice con gran precisión la masa de los cúmulos de galaxias, sin basarse en suposiciones anticuadas.

En el centro de un cúmulo de galaxias, el gas se calienta hasta cien millones de grados. Los cúmulos de galaxias son nubes gigantescas de cientos de galaxias y gas enrarecido, unidas por la fuerza de la gravedad. Ya en la década de 1930, el astrónomo Fritz Zwicky observó que las galaxias en estas nubes se movían demasiado rápido, como si algo invisible las atrajera. Más tarde, Vera Rubin confirmó este descubrimiento en galaxias individuales. Así se detectó la materia oscura, una sustancia invisible que no emite luz pero constituye aproximadamente el 85% de toda la masa. Para medir esta masa oculta, los astrónomos estudian el gas caliente que brilla intensamente en el rango de rayos X (radiación de muy alta energía).

El gas en estas nubes es increíblemente tenue: en un litro de espacio hay apenas una partícula, lo que en los laboratorios terrestres se consideraría un vacío profundo.

Cada cúmulo puede imaginarse como un libro cuyas páginas son las capas de gas desde el centro hasta el borde. En esas páginas están escritas la temperatura, la densidad y la presión. Antes, los científicos leían cada página por separado, suponiendo que el gas estaba en completo equilibrio, como agua en un vaso en reposo. Pero cuando un cúmulo choca con otro vecino, el equilibrio se rompe y los cálculos fallan. La nueva red neuronal (un programa informático que aprende) funciona de manera diferente. Lee el libro secuencialmente, recordando las páginas anteriores, y así capta la trama general. Se entrenó con 16 495 cúmulos virtuales procedentes de una simulación numérica (modelo digital del Universo). Ahora, la red toma los datos de temperatura, densidad y entropía (la característica térmica del gas) capa por capa y devuelve la masa total sin ninguna suposición sobre el estado de reposo.

La precisión es impresionante: el error ronda el 5%, el doble de buena que los métodos antiguos, que fallaban en sistemas turbulentos. La red se comprobó con datos reales de catálogos de rayos X, incluyendo mediciones de espectroscopía (análisis de la composición de la radiación) y corrimiento al rojo (desplazamiento del espectro debido a la expansión del Universo). Resultó que el enfoque clásico subestimaba sistemáticamente el peso de los cúmulos más masivos en aproximadamente un 10%. Es interesante que la red sigue siendo precisa incluso al considerar procesos complejos adicionales, como la retroalimentación de los núcleos galácticos activos (agujeros negros supermasivos en el centro).

Para reconstruir la masa total bastan solo entre 7 y 14 mediciones a lo largo del radio, como si se adivinara una novela por unos pocos fragmentos.

Ahora, la red neuronal está lista para trabajar con futuros grandes catálogos que registrarán cientos de miles de cúmulos. Esto hará que la cosmología sea mucho más precisa: podremos calibrar objetivamente las relaciones entre masa y características observables y, por tanto, comprenderemos mejor la naturaleza de la materia oscura y la energía oscura. Así se ha leído el primer libro de la gran biblioteca del Universo, y su trama es tan clara que es hora de pasar la página.

El cúmulo masivo más cercano, el de Coma, pesa como un millón de billones de soles, pero el 85% de esa masa sigue siendo invisible.

M_{\rm HSE}(<R) = -\frac{R^2}{G}\frac{dP}{dR}\frac{1}{n_g}
Masa encerrada dentro del radio R, derivada del gradiente de presión del gas y su densidad bajo el supuesto de equilibrio de fuerzas.
S_{\Delta_1,\Delta_2} = \frac{M_{\Delta_1}}{M_{\Delta_2}}
Relación de masas dentro de dos contrastes de densidad diferentes, sensible al perfil de materia oscura y al estado dinámico.
Científicos
Fritz ZwickySubrahmanyan ChandrasekharAdam RiessJohn Archibald WheelerNancy Grace RomanRashid Alievich Sunyaev
Conceptos
cúmulo de galaxias cúmulo globular xgboost medio intracumular mapeo de galaxias con redes neuronales regresión por proceso gaussiano agrupamiento sistema triple reconstrucción nube de gas medio circumgaláctico agrupamiento de k-medias centro galáctico coupled general circulation model formación estelar en cúmulos