Los procesos gaussianos se utilizan para reconstruir la ecuación de estado de la energía oscura a partir de datos.La regresión por procesos gaussianos es un método estadístico potente para reconstruir una función a partir de datos ruidosos sin asumir una forma paramétrica específica. En cosmología, se utiliza a menudo para inferir la ecuación de estado de la energía oscura —la relación entre presión y densidad de energía que impulsa la expansión acelerada del universo— directamente a partir de observaciones como distancias de supernovas o datos del fondo cósmico de microondas. A diferencia del ajuste tradicional con un modelo fijo (por ejemplo, una constante o un polinomio), los procesos gaussianos permiten que los datos 'hablen por sí mismos', proporcionando una reconstrucción flexible y no paramétrica que además cuantifica la incertidumbre en cada punto.
Los procesos gaussianos para regresión se formalizaron en la década de 1990, basándose en trabajos anteriores en geoestadística (kriging) y aprendizaje automático. Su aplicación a la reconstrucción de la energía oscura se popularizó en la década de 2010, con artículos clave de Holsclaw y otros.
El método trata la función desconocida como una extracción aleatoria de un proceso gaussiano —una colección de variables aleatorias, cualquier subconjunto finito de las cuales tiene una distribución gaussiana conjunta. Una función de covarianza (núcleo) codifica supuestos sobre la suavidad y la longitud de correlación. Dados los puntos de datos observados, el proceso se condiciona a ellos, produciendo una distribución posterior sobre funciones. La media de este posterior da la mejor estimación de la función, mientras que la varianza proporciona barras de error que crecen en regiones con datos escasos. Los hiperparámetros del núcleo se optimizan típicamente maximizando la verosimilitud marginal.
Más allá de la cosmología, la regresión por procesos gaussianos se utiliza en robótica para aprender políticas de control, en predicción meteorológica para interpolación espacial, y en optimización bayesiana para ajustar hiperparámetros de modelos de aprendizaje automático.
Los procesos gaussianos son una piedra angular de la optimización bayesiana moderna, que se utiliza para ajustar los imanes del Gran Colisionador de Hadrones.









