Hay eventos cósmicos tan violentos que parecen escritos para romper los límites de cualquier ordenador. Las fusiones de estrellas de neutrones están entre ellos. Dos restos ultradensos de estrellas muertas giran uno alrededor del otro, pierden energía en forma de ondas gravitacionales y finalmente chocan. En cuestión de segundos, el universo produce una explosión, una kilonova, una lluvia de materia rica en neutrones y una fábrica natural de elementos pesados.
La NASA lo mostró de forma histórica con GW170817, la fusión de estrellas de neutrones detectada en 2017: aquel evento produjo ondas gravitacionales, un estallido de rayos gamma, una kilonova visible en varias longitudes de onda y material expulsado donde se formaron grandes cantidades de elementos pesados como oro y platino.
El problema es que entender ese proceso en detalle no es nada sencillo. Las simulaciones deben combinar relatividad, hidrodinámica, física nuclear, radiación y miles de reacciones que ocurren mientras la materia se expande y se enfría. Un nuevo trabajo publicado en Physical Review D propone una salida elegante: usar inteligencia artificial para reproducir una de las partes más costosas del cálculo, el calentamiento generado por el proceso r.
El proceso r es la cocina nuclear donde nacen los elementos pesados
Cuando dos estrellas de neutrones se fusionan, parte de su materia sale disparada al espacio. Esa materia es extremadamente rica en neutrones, justo el ingrediente que necesita el llamado proceso r, o proceso de captura rápida de neutrones. En ese escenario, los núcleos atómicos capturan neutrones a gran velocidad antes de desintegrarse radiactivamente, construyendo elementos cada vez más pesados.
Ahí aparecen algunos de los materiales más valiosos y exóticos del cosmos: oro, platino, uranio y muchos otros núcleos pesados. Pero el proceso no solo “fabrica” elementos. También libera energía. Esa energía calienta el material expulsado, modifica su velocidad, cambia su distribución y afecta la luz que luego observamos como kilonova.
Según el comunicado del centro alemán GSI/FAIR, el calentamiento del proceso r puede tener un impacto significativo en la dinámica del material eyectado y, por tanto, también en la radiación electromagnética observable de una kilonova.
El gran cuello de botella: simular miles de reacciones nucleares
La dificultad está en que una simulación realista no puede tratar la fusión como una simple bola de fuego. Debe seguir cómo se mueve la materia, cómo cambia su composición y cómo se libera energía en cada zona del flujo. Para hacerlo de manera directa, los físicos usan redes completas de reacciones nucleares, enormes sistemas que describen miles de procesos simultáneos.
Eso es muy preciso, pero también muy caro computacionalmente. Incluir esas redes completas dentro de una simulación hidrodinámica puede volver el cálculo demasiado lento o directamente impracticable. Por eso muchos modelos terminan simplificando el calentamiento nuclear mediante aproximaciones más toscas.
El nuevo método, llamado RHINE (siglas de R-process Heating Implementation in hydrodynamic simulations with NEural networks) intenta ocupar un punto intermedio: mantener la información física más importante, pero sin obligar a la simulación a resolver todas las reacciones nucleares en cada paso.
RHINE: una IA entrenada para estimar el calor nuclear
La idea es bastante clara. Primero, los investigadores entrenaron redes neuronales con una gran cantidad de cálculos de referencia generados mediante redes nucleares completas. Esos cálculos sirven como “profesor”: muestran cómo distintas condiciones físicas de la materia se traducen en cambios de composición y liberación de energía.
Después, una vez entrenada, la red neuronal puede integrarse en simulaciones hidrodinámicas. En lugar de resolver desde cero miles de reacciones nucleares en cada celda y en cada instante, RHINE estima las tasas de calentamiento y otros cambios relevantes con mucho menor coste. Tal como explicó Zewei Xiong, uno de los investigadores, los modelos aprenden de cálculos nucleares completos y luego se adoptan en simulaciones hidrodinámicas para aproximar las tasas de calentamiento con esfuerzo mínimo.
La diferencia es importante. No se trata de reemplazar la física nuclear por una caja negra sin control, sino de entrenar una herramienta para emular esa física allí donde calcularla directamente sería demasiado costoso.
La prueba: comparar la IA con simulaciones más completas
El estudio no se quedó en una promesa computacional. Los autores probaron RHINE comparando simulaciones con el nuevo método frente a resultados obtenidos mediante postprocesado con redes completas de nucleosíntesis. Según el resumen del trabajo disponible en arXiv, encontraron una concordancia muy buena en simulaciones esféricas de viento y en modelos de larga duración de fusiones de estrellas de neutrones.
El trabajo también cuantifica la energía liberada en distintos tipos de material expulsado. En sus modelos, el calentamiento del proceso r libera en promedio unos 2,3 MeV por barión en la eyección dinámica, 0,7 MeV por barión en la eyección de un toro alrededor de una estrella de neutrones y 2,1 MeV por barión en la eyección de un toro alrededor de un agujero negro.
Además, el efecto no siempre es pequeño. En los modelos con toro alrededor de un agujero negro, el calentamiento del proceso r aumenta la masa eyectada en torno a un 40% y puede hacer que la kilonova resulte significativamente más brillante cuando ese material se vuelve visible.
La IA no descubre oro, pero ayuda a entender cómo se forma
Conviene no exagerar el hallazgo. Esta IA no “crea” nuevos elementos ni observa directamente una colisión. Lo que hace es algo menos vistoso, pero científicamente muy valioso: permite introducir una física nuclear más realista dentro de simulaciones que de otro modo tendrían que simplificarla demasiado.
Eso puede ayudar a responder preguntas clave. ¿Cuánta masa se expulsa en una fusión? ¿A qué velocidad se mueve? ¿Cómo cambia el brillo de una kilonova? ¿Qué proporción de elementos pesados se produce en distintos escenarios? ¿Cómo se comparan las predicciones con las observaciones de telescopios y detectores de ondas gravitacionales?
El interés también crece porque la astronomía de mensajeros múltiples ya demostró su potencial. NASA recuerda que, en GW170817, los científicos combinaron lo que podían “oír” mediante ondas gravitacionales con lo que podían “ver” mediante luz en distintas longitudes de onda. Esa combinación abrió una nueva forma de estudiar estos eventos extremos.
Una herramienta para explorar más escenarios sin esperar semanas
El valor práctico de RHINE está en la escala. Si cada simulación detallada consume enormes cantidades de tiempo de supercomputación, los investigadores solo pueden explorar unos pocos escenarios. Pero las fusiones de estrellas de neutrones no son todas iguales: cambian las masas, la rotación, la ecuación de estado de la materia nuclear, la geometría de la eyección y las condiciones del disco posterior a la fusión.
Un método más rápido permite barrer más posibilidades. Eso no elimina la necesidad de simulaciones completas ni de observaciones reales, pero sí ayuda a construir un puente entre ambas. Primero se explora un gran espacio de parámetros con herramientas eficientes; luego se seleccionan los casos más interesantes para análisis más detallados.
El propio equipo señala que RHINE puede implementarse en códigos hidrodinámicos existentes y que proporciona rutinas y datos entrenados para predecir términos fuente vinculados al proceso r.
La próxima generación de astrofísica será también computacional
Lo más interesante de este estudio es que muestra un uso muy concreto de la inteligencia artificial en ciencia. No aparece como una máquina misteriosa que “descubre” respuestas sola, sino como un atajo entrenado sobre física conocida para acelerar una parte del cálculo que antes era demasiado pesada.
En ese sentido, RHINE encaja en una tendencia más amplia: usar IA para conectar modelos complejos, simulaciones numéricas y observaciones astronómicas. En las colisiones de estrellas de neutrones, donde el laboratorio está a millones de años luz y dura segundos, cada mejora computacional abre una ventana nueva.
El oro de un anillo, el platino de un catalizador o el uranio del interior de la Tierra nacieron en procesos extremos que todavía intentamos reconstruir. Ahora, una red neuronal puede ayudar a seguir el rastro de esa alquimia cósmica con más detalle. No porque reemplace a la física, sino porque permite llevarla más lejos dentro de las simulaciones.
