El gráfico de datos que detuvo en seco a un equipo de investigación de Heidelberg no fue un descubrimiento, sino la ausencia de uno. En una fría mañana de diciembre de 2025, en el Instituto de Física Teórica, un modelo de aprendizaje automático entrenado con miles de millones de puntos de datos procedentes de estudios cósmicos acababa de finalizar su ejecución. Había logrado realizar la ingeniería inversa de las ecuaciones que gobiernan la estructura a gran escala del universo, prediciendo correctamente las distribuciones de las galaxias y la red cósmica a partir de las condiciones iniciales del Big Bang. Entonces, a escalas superiores a unos pocos cientos de megapársecs, sus predicciones se desplomaron. La tasa de expansión del universo, la que debería estar impulsada por la energía oscura, simplemente no se reproducía. Una inteligencia artificial que, en cierto sentido, ha descodificado cómo funciona el universo acababa de revelar un enorme vacío en el modelo cosmológico estándar.
Una IA que descodificó cómo funciona el universo, hasta que dejó de hacerlo
El proceso no fue trivial. La arquitectura de la IA incorporaba simetrías conocidas por restringir las leyes físicas, como la invarianza rotacional y traslacional, obligando a la red a aprender de los datos de una manera que respeta la geometría del espacio-tiempo. Cuando el grupo le introdujo observaciones reales del telescopio espacial Euclid de la ESA y del Dark Energy Survey, CosmoGraph pudo predecir dónde deberían estar las galaxias con una precisión del 99,7 %, hasta que dejó de poder hacerlo.
“Esperábamos cierta desviación en las escalas más grandes debido a la varianza cósmica”, afirmó Voss, “pero el modelo subestimó sistemáticamente la amplitud de la agrupación e ignoró por completo la aceleración tardía. Era como si el universo, en su expresión más grandiosa, obedeciera a un conjunto diferente de reglas”.
Un vacío donde debería estar la energía oscura
Los físicos saben desde hace mucho tiempo que la constante cosmológica es un marcador de posición, un parámetro ajustado con tanta precisión que muchos teóricos lo consideran poco natural. Lo que reveló CosmoGraph es que un sistema optimizado únicamente para capturar la dinámica gravitacional de la materia —tanto oscura como visible— simplemente no ve la necesidad de una fuerza repulsiva constante. La aceleración solo surge cuando los datos de entrenamiento se ven forzados a incluir las observaciones a gran escala, lo que a su vez corrompe el ajuste del modelo a escalas más pequeñas. Este es el sello distintivo de un ingrediente que falta: algo en el cosmos que acopla la formación de estructuras dependientes de la escala con la tasa de expansión de una manera que nuestras teorías actuales no captan.
Lo que el punto ciego de la IA nos dice sobre la materia oscura y la energía oscura
Si la constante cosmológica fuera la explicación correcta, una IA bien entrenada debería haber sido capaz de inferirla como el ajuste de parámetros más sencillo. El hecho de que no lo hiciera sugiere que el verdadero motor de la aceleración está vinculado de forma más intrincada al crecimiento de la estructura. Una interpretación es que la energía oscura no es una constante sino un campo dinámico —algo parecido a la quintaesencia— que cambia con el tiempo y potencialmente interactúa con la materia oscura. Otra posibilidad, más radical, es que nuestra comprensión de la gravedad sea incompleta a distancias cósmicas, y que la dinámica newtoniana modificada o una variante de la gravedad emergente deban reemplazar a la relatividad general en las escalas más grandes.
El fallo de CosmoGraph es particularmente agudo cuando intenta reconciliar la historia de expansión del universo temprano, impresa en el fondo cósmico de microondas, con la aceleración tardía. Esta es la tensión de Hubble bajo una nueva apariencia: la IA, entrenada con datos del universo temprano y medio, prefiere constantemente una constante de Hubble inferior a la medida localmente. La “opinión” de la máquina subraya lo que muchos observadores sospechaban: la discrepancia no es un error de medición, sino el síntoma de una fractura física más profunda.
Por qué un punto ciego de la IA es un problema humano
A pesar de todo su poder, CosmoGraph es una caja negra. El equipo puede ver dónde falla, pero no por qué en términos de física intuitiva. El modelo no arroja una ecuación ordenada; arroja una predicción. Esta opacidad ha provocado un debate en la comunidad física sobre el papel de la IA como herramienta de descubrimiento. Por un lado, el éxito del modelo en escalas más pequeñas valida el uso del aprendizaje automático para buscar nueva física; por otro, su ceguera ante la aceleración a gran escala corre el riesgo de reforzar los sesgos teóricos existentes. Si los datos de entrenamiento están dominados por regímenes donde la energía oscura es un actor menor, la IA nunca aprenderá a buscarla.
“El aprendizaje automático amplifica los prejuicios de tu conjunto de datos”, explica Sebastian Huber, físico teórico de la ETH de Zúrich que no participó en el estudio. “Si lo entrenas para ser un buen motor de interpolación, será exactamente eso: un motor de interpolación. La física interesante suele estar en la extrapolación, y ahí es donde necesitas teoría”.
Esta limitación no es exclusiva de la cosmología. En astrofísica y física de partículas, los modelos de IA se están utilizando para examinar petabytes de datos, señalando anomalías que podrían indicar nuevos fenómenos. Sin embargo, las técnicas estadísticas que los hacen sensibles a señales débiles también los hacen exquisitamente sensibles a los artefactos instrumentales y a las suposiciones de modelado. El punto ciego que reveló CosmoGraph puede ser, irónicamente, una característica: un indicador sólido de que nuestras ecuaciones actuales no pueden ser toda la historia, pero extraer esa conclusión de una red neuronal requiere capas de razonamiento humano que la máquina aún no puede proporcionar.
La misión Euclid de Europa y el futuro de la cartografía cósmica
El trabajo del grupo de Heidelberg depende en gran medida de los datos de la misión Euclid de la ESA, el telescopio del universo oscuro de 1400 millones de euros de la Agencia Espacial Europea. Euclid está generando el mapa tridimensional más preciso del cosmos jamás creado, midiendo las formas y distancias de miles de millones de galaxias para rastrear cómo la energía oscura ha dado forma al universo a lo largo del tiempo cósmico. La misión es una joya de la ciencia espacial europea, pero su flujo de datos es tanto una oportunidad como un riesgo para el descubrimiento impulsado por la IA.
También existe una tensión en la financiación. El programa Horizonte Europa ha invertido importantes recursos en IA y ciencia de datos para la física fundamental, pero el resultado de CosmoGraph sugiere que es poco probable que los enfoques puramente basados en datos produzcan el tan esperado avance sobre la energía oscura. El trabajo más mundano de perfeccionar los presupuestos de errores sistemáticos y crear simulaciones más realistas puede ser menos llamativo, pero es la base sobre la que debe descansar cualquier descubrimiento de la IA.
El equipo de Heidelberg planea volver a ejecutar su modelo con conjuntos de entrenamiento ampliados que inyecten artificialmente escenarios de aceleración a gran escala, enseñando esencialmente a la IA qué esperar. Esa es una extraña inversión: en lugar de dejar que los datos hablen, están dándole a la máquina una prescripción teórica. Es el tipo de compromiso metodológico que haría estremecer a un empirista de la vieja escuela. Pero también podría ser la forma más rápida de descubrir si el vacío en el modelo estándar es una grieta en nuestras teorías o simplemente un reflejo de nuestra propia ignorancia.
Fuentes
- Grupo de investigación STRUCTURES de la Universidad de Heidelberg (presentación de investigación y preimpresión)
- Lanzamientos de datos y documentación técnica del Consorcio Euclid de la ESA
- Nature Astronomy (artículo próximo sobre restricciones cosmológicas derivadas de la IA)
Comments
No comments yet. Be the first!