Un nuevo modelo desarrollado por investigadores chinos logra algo inédito: no solo analizar datos cosmológicos complejos, sino extraer relaciones físicas interpretables que podrían acotar la naturaleza real de la materia oscura
Durante décadas, la materia oscura ha sido una de las mayores incógnitas de la cosmología. Sabemos que existe, que domina la estructura del universo y que moldea galaxias y cúmulos… pero no sabemos qué es. Ahora, la inteligencia artificial empieza a ofrecer una nueva vía para acercarnos a su naturaleza más profunda.
Un problema clásico con herramientas nuevas
La materia oscura representa cerca del 85 % de toda la materia del universo, pero no interactúa con la luz ni con la materia ordinaria, salvo a través de la gravedad. Por ello, su estudio depende de observaciones indirectas: curvas de rotación de galaxias, lentes gravitacionales, dinámica de cúmulos o el fondo cósmico de microondas.
En los últimos años, los astrónomos han recurrido a modelos de inteligencia artificial para detectar patrones ocultos en estos enormes volúmenes de datos. El problema es que la mayoría de estos sistemas funcionan como una “caja negra”: ofrecen predicciones precisas, pero sin explicar qué relaciones físicas están aprendiendo.
El reto de hacer la IA comprensible para la física
En ciencia, predecir no es suficiente. Comprender por qué ocurre algo es clave para validar teorías. Por eso, cada vez más investigadores buscan redes neuronales interpretables, capaces de vincular sus resultados con magnitudes físicas reales.
Una de las estrategias más prometedoras consiste en permitir que las funciones internas del modelo —como las funciones de activación— no sean fijas, sino aprendidas directamente de los datos. Esto abre la puerta a descubrir relaciones matemáticas comparables con modelos teóricos conocidos.
CKAN: una red neuronal que “explica” lo que aprende
En este contexto surge CKAN (Convolutional Kolmogorov–Arnold Network), un nuevo modelo desarrollado por un equipo de investigadores chinos. A diferencia de las redes convolucionales tradicionales, CKAN utiliza funciones de activación entrenables, lo que le permite construir representaciones más flexibles y físicamente interpretables.
El sistema fue entrenado con simulaciones cosmológicas de cúmulos de galaxias bajo distintos escenarios de materia oscura. Las entradas incluían imágenes con tres canales clave: distribución de masa total, masa estelar y emisión de rayos X.
Materia oscura fría o autointeractuante
El modelo estándar de cosmología asume materia oscura fría y sin interacción, una hipótesis que funciona bien a gran escala, pero presenta problemas en escalas menores. Una alternativa es la materia oscura autointeractuante (SIDM), cuyas partículas interactúan débilmente entre sí, redistribuyendo energía y momento dentro de los halos galácticos.
CKAN no solo logró distinguir entre estos escenarios, sino que permitió reescribir parte de su estructura interna en forma simbólica, revelando qué variables físicas eran realmente relevantes.
Un hallazgo clave: el desplazamiento del halo
El análisis mostró que la red identificó automáticamente magnitudes físicas concretas, como el desplazamiento entre el centro del halo de materia oscura y el centro visible del cúmulo de galaxias. Este patrón coincide con predicciones teóricas de los modelos SIDM, lo que sugiere que el sistema no solo clasifica datos, sino que capta relaciones físicas reales.
Límites concretos para la materia oscura
Al combinar precisión estadística con interpretabilidad, los investigadores obtuvieron un resultado especialmente relevante: a escala de cúmulos, la hipótesis de materia oscura autointeractuante requiere una sección transversal mínima de entre 0,1 y 0,3 cm²/g. Este rango concuerda con estimaciones recientes basadas en simulaciones cosmológicas independientes.
Incluso al introducir ruido observacional —algo crucial para aplicaciones reales— CKAN mantuvo su rendimiento y estabilidad.
Un paso hacia una cosmología más comprensible
Más allá del resultado concreto, el valor de este trabajo reside en su enfoque: utilizar inteligencia artificial no solo como herramienta predictiva, sino como instrumento para descubrir leyes físicas. En un universo dominado por lo invisible, modelos como CKAN podrían convertirse en aliados clave para transformar datos en comprensión.
Fuente: Meteored
Deja una respuesta