Un traductor aprende el idioma no con un diccionario, sino con conversaciones reales: escucha fragmentos de frases, el ruido de la calle, distintos acentos. De ese caos extrae reglas que no están escritas en ningún libro. Aquí pasa lo mismo: en lugar de encajar las masas de los agujeros negros en una forma ya preparada, la red neuronal escucha las propias señales y deduce por sí misma cómo se distribuyen esas masas.
El enfoque habitual se parece a un sastre que confecciona un traje con tres tallas y espera que le quede bien a cualquier cliente. Los modelos paramétricos fijan los picos y las rupturas de antemano, y luego solo ajustan su altura. Pero si la distribución real tiene una joroba o un hueco inesperados, ese modelo simplemente no los verá. El flujo normalizador funciona de otro modo: parte de una colina lisa y la va amasando poco a poco, como si fuera plastilina, hasta que la forma coincide con los datos.
La prueba con dos catálogos simulados mostró que el método distingue si la población de agujeros negros cambió con el tiempo o permaneció invariable. Cuando se incorporó a los datos una evolución del pico de masas, el diagnóstico dio un desplazamiento positivo, mientras que para el modelo estacionario fue cercano a cero. Es como si el traductor, por la entonación, dedujera que hablantes de distintas generaciones usan palabras diferentes.
Con los datos reales de GWTC-5.0, la red neuronal vio dos picos conocidos: en torno a 10 y 35 masas solares. Esto concuerda con el análisis oficial de la colaboración, pero aquí la forma no se impuso de antemano. El diagnóstico para los datos reales resultó cercano a cero, es decir, no hay evidencia de que la distribución de masas cambiara con el corrimiento al rojo.
Una herramienta así será útil no solo para los agujeros negros. Cualquier ciencia en la que los objetos se observen con ruido y no se vean todos puede emplear este enfoque: desde el recuento de exoplanetas hasta la demografía de supernovas. El traductor que aprende con conversaciones, y no con un diccionario, algún día podrá entender cualquier acento del universo.
En la campaña de inyecciones para GWTC-5.0 se generaron 1.57 mil millones de señales, de las cuales solo 1.34 millones superaron el umbral de detección, lo que equivale aproximadamente a una «superviviente» por cada mil generadas.