El universo está lleno de misterios, pero pocos son tan intrigantes como la materia oscura. Aunque representa aproximadamente el 27 % de la composición cósmica, aún no sabemos de qué está hecha. Se trata de una forma de materia invisible que no interactúa con la luz ni con la mayoría de las fuerzas que conocemos, pero cuya existencia se infiere a partir de sus efectos gravitacionales sobre las galaxias y el cosmos en su conjunto.

Hasta ahora, la búsqueda de la materia oscura se ha basado en modelos teóricos y experimentos directos que han resultado infructuosos. Sin embargo, un estudio reciente de investigadores del Instituto Superior Técnico de Lisboa propone un enfoque innovador: el uso de redes neuronales informadas por la física (PINNs, por sus siglas en inglés) para analizar la evolución de la materia oscura en diferentes escenarios cosmológicos. Este trabajo, publicado en arXiv como preprint, sugiere que las redes neuronales pueden ayudar a descifrar la naturaleza de la materia oscura mediante el análisis de sus propiedades en el universo primitivo​.

El problema de la materia oscura y los modelos tradicionales

La materia oscura no forma parte del Modelo Estándar de la física de partículas, lo que implica que su existencia solo puede explicarse con teorías más allá de lo que conocemos actualmente. Durante mucho tiempo, la hipótesis más aceptada fue la de las partículas masivas que interactúan débilmente (WIMPs). Estas partículas habrían estado en equilibrio térmico con el plasma del universo temprano y, a medida que el cosmos se expandía y enfriaba, su abundancia quedó “congelada” en un proceso llamado freeze-out.

Sin embargo, tras décadas de búsqueda, los experimentos diseñados para detectar WIMPs no han encontrado evidencia concluyente. Esto ha llevado a explorar alternativas como las partículas masivas que interactúan débilmente por congelación (FIMPs). A diferencia de las WIMPs, estas partículas nunca alcanzaron el equilibrio térmico con la materia ordinaria y se habrían formado a través de interacciones extremadamente raras en el universo temprano, en un proceso conocido como freeze-in​.

Cómo la inteligencia artificial puede ayudar a resolver el enigma

El estudio de Bento, Câmara y Seabra emplea redes neuronales informadas por la física (PINNs) para analizar la evolución de la materia oscura generada por freeze-in. Estas redes son un tipo de inteligencia artificial que incorpora directamente principios físicos en su entrenamiento, lo que les permite resolver ecuaciones diferenciales complejas sin necesidad de generar enormes volúmenes de datos simulados.

El equipo utilizó las PINNs para resolver las ecuaciones de Boltzmann, que describen cómo varía la cantidad de materia oscura en diferentes condiciones cosmológicas. Una de las ventajas clave de este enfoque es que las redes neuronales pueden resolver estos problemas sin depender de métodos numéricos tradicionales, como los basados en elementos finitos, que suelen ser computacionalmente costosos​.

El uso de inteligencia artificial en la cosmología no es nuevo, pero la aplicación de PINNs en la física de partículas y el estudio de la materia oscura sí representa un avance notable. La capacidad de estas redes para resolver ecuaciones fundamentales sin necesidad de una gran cantidad de datos de entrenamiento las convierte en una herramienta prometedora para explorar fenómenos aún desconocidos del universo.

Las redes neuronales informadas por la física: una nueva herramienta para resolver ecuaciones cosmológicas

Las redes neuronales informadas por la física (PINNs) son un tipo de inteligencia artificial que combina el aprendizaje automático con principios fundamentales de la física. A diferencia de las redes neuronales tradicionales, que requieren grandes volúmenes de datos para entrenarse, las PINNs incorporan ecuaciones matemáticas conocidas, como las ecuaciones de Boltzmann o de Friedmann, en su estructura de aprendizaje. Esto les permite resolver problemas físicos complejos sin depender de conjuntos de datos masivos.

En el contexto del estudio de la materia oscura, las PINNs se utilizan para calcular la evolución de su abundancia en el universo primitivo. En lugar de resolver las ecuaciones de forma numérica con métodos computacionales convencionales, las PINNs aprenden a aproximar soluciones optimizadas, reduciendo el costo computacional y mejorando la precisión en modelos teóricos. Esta capacidad las convierte en una herramienta prometedora para explorar escenarios cosmológicos alternativos y determinar qué modelos son compatibles con las observaciones actuales.

Cosmologías alternativas y su impacto en la materia oscura

Uno de los aspectos más interesantes del estudio es el análisis de modelos cosmológicos alternativos. Se sabe que la expansión del universo está gobernada por la ecuación de Friedmann, pero algunas teorías sugieren que en el universo temprano esta ecuación podría haber sido modificada.

Los investigadores examinaron modelos en los que la expansión del universo seguía una ley de potencias distinta a la estándar. Descubrieron que, dependiendo de esta ley de potencias, la cantidad de materia oscura producida por el proceso de freeze-in varía significativamente.

En particular, hallaron que en cosmologías con exponentes negativos se requieren secciones transversales más pequeñas para reproducir los datos observados, mientras que en cosmologías con exponentes positivos, se necesitan secciones transversales más grandes​. Este resultado es importante, ya que sugiere que ciertos modelos teóricos de materia oscura podrían estar equivocados o necesitar ajustes.

Predicciones y aplicaciones del modelo

El uso de redes neuronales no solo permitió analizar modelos cosmológicos alternativos, sino que también posibilitó resolver dos tipos de problemas:

• Problema directo: Dado un modelo físico, las PINNs pueden predecir cómo evoluciona la abundancia de materia oscura en el tiempo.
• Problema inverso: A partir de la cantidad de materia oscura observada hoy en día, las PINNs pueden inferir qué modelos físicos y parámetros de interacción son consistentes con la evidencia experimental.

El estudio también incluyó un análisis bayesiano para cuantificar la incertidumbre en los parámetros teóricos obtenidos con las redes neuronales. Este enfoque es clave para evaluar la fiabilidad de las predicciones y establecer límites en los modelos propuestos​.

Los resultados obtenidos sugieren que las PINNs pueden ser utilizadas para encontrar modelos de materia oscura que concuerden con la evidencia experimental, reduciendo el número de hipótesis necesarias para explicar su origen y propiedades.