{"id":1583,"date":"2025-02-10T08:58:18","date_gmt":"2025-02-10T08:58:18","guid":{"rendered":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/?p=1583"},"modified":"2025-09-07T19:22:26","modified_gmt":"2025-09-07T19:22:26","slug":"un-nuevo-estudio-explora-la-distribucion-a-gran-escala-de-galaxias-mediante-aprendizaje-automatico-interpretable","status":"publish","type":"post","link":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/un-nuevo-estudio-explora-la-distribucion-a-gran-escala-de-galaxias-mediante-aprendizaje-automatico-interpretable\/","title":{"rendered":"Adi\u00f3s a las &#8216;cajas negras&#8217;: una nueva herramienta logra mejorar la transparencia de la Inteligencia Artificial aplicada a cosmolog\u00eda"},"content":{"rendered":"\n<ul class=\"wp-block-list\"><li>El estudio, publicado en <em>Physical Review Letters<\/em>, revela c\u00f3mo aprenden las redes neuronales a partir de distribuciones a gran escala de galaxias, desmitificando un proceso que antes se consideraba una \u00abcaja negra\u00bb.<\/li><li>El trabajo est\u00e1 dirigido por el Instituto de F\u00edsica Te\u00f3rica (IFT UAM-CSIC) y la Universidad de Chile.<\/li><\/ul>\n\n\n\n<p><strong><em>Madrid, 10 de febrero de 2025.\u2013<\/em><\/strong> La cosmolog\u00eda moderna se enfrenta a varios desaf\u00edos fundamentales, como comprender la naturaleza de la materia oscura y la energ\u00eda oscura, la estructura del universo a gran escala y los primeros momentos de su evoluci\u00f3n. Esto hace necesario determinar qu\u00e9 modelo te\u00f3rico describe con mayor precisi\u00f3n la evoluci\u00f3n del universo. <a href=\"https:\/\/doi.org\/10.1103\/PhysRevLett.134.041002\">En un nuevo estudio, publicado recientemente en la prestigiosa revista <em>Physical Review Letters<\/em><\/a>, un equipo de f\u00edsicos ha introducido <strong>una innovaci\u00f3n clave en la aplicaci\u00f3n del aprendizaje autom\u00e1tico a la cosmolog\u00eda.<\/strong> Los investigadores usaron t\u00e9cnicas de <strong>interpretabilidad<\/strong> en el aprendizaje autom\u00e1tico que les permitieron comprender c\u00f3mo hacen predicciones las redes neuronales.<\/p>\n\n\n\n<p>La investigaci\u00f3n, llevada a cabo por Indira Ocampo, George Alestas y Savvas Nesseris del Instituto de F\u00edsica Te\u00f3rica UAM-CSIC, junto con Domenico Sapone de la Universidad de Chile, demuestra que el uso de redes neuronales puede mejorar el an\u00e1lisis de datos observacionales (o simulados) para probar modelos m\u00e1s all\u00e1 del modelo cosmol\u00f3gico est\u00e1ndar (\u039bCDM). En este caso particular, lograron diferenciar entre el modelo \u039bCDM y modelos alternativos de gravedad modificada, como el modelo f(R) de Hu-Sawicki. Y, lo que es m\u00e1s importante, mediante el uso de herramientas de aprendizaje autom\u00e1tico interpretable, <strong>pudieron identificar qu\u00e9 elementos de los datos estaba aprendiendo la red neuronal<\/strong>, arrojando luz sobre por qu\u00e9 era capaz de clasificar correctamente entre los dos modelos. <strong>Este aspecto de interpretabilidad es crucial<\/strong> no s\u00f3lo para comprender los mecanismos subyacentes en el proceso de clasificaci\u00f3n, sino tambi\u00e9n para entender la f\u00edsica detr\u00e1s de las \u00abregiones m\u00e1s relevantes de datos\u00bb.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">M\u00e1s all\u00e1 del Modelo Est\u00e1ndar<\/h3>\n\n\n\n<p>El modelo \u039bCDM (<em>Lambda Cold Dark Matter<\/em>) es el est\u00e1ndar en cosmolog\u00eda, explicando la expansi\u00f3n acelerada del universo mediante la energ\u00eda oscura (representada por la constante cosmol\u00f3gica \u039b) y la materia oscura fr\u00eda (CDM). Adem\u00e1s, este modelo describe con \u00e9xito la formaci\u00f3n de estructuras a gran escala y las propiedades de la radiaci\u00f3n c\u00f3smica de fondo de microondas. Sin embargo, presenta ciertas discrepancias con observaciones recientes, como la determinaci\u00f3n de la constante de Hubble, que describe la tasa de expansi\u00f3n del universo; y anomal\u00edas en la distribuci\u00f3n de materia a gran escala, como irregularidades en c\u00f3mo se distribuye la materia en el universo a grandes distancias. Por ello, para resolver estas discrepancias, se est\u00e1n explorando modelos m\u00e1s all\u00e1 de \u039bCDM.<\/p>\n\n\n\n<p>Por otro lado, una clase interesante de modelos alternativos son los denominados modelos f(R), que modifican la teor\u00eda de la relatividad general de Einstein, base de nuestra comprensi\u00f3n de la gravedad. A escalas m\u00e1s peque\u00f1as, como en el Sistema Solar, los modelos f(R) pueden recuperar la Relatividad General, pero a escalas cosmol\u00f3gicas pueden imitar la energ\u00eda oscura o la materia oscura al modificar las ecuaciones de Einstein.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">La revoluci\u00f3n del Aprendizaje Autom\u00e1tico en la cosmolog\u00eda<\/h3>\n\n\n\n<p>Probar nuevas ideas sobre el Universo generalmente implica comparar predicciones de diferentes modelos con observaciones reales. Recientemente, el aprendizaje autom\u00e1tico (ML, por sus siglas en ingl\u00e9s) ha ganado gran atenci\u00f3n, ya sea para acelerar c\u00e1lculos complejos o para ayudar a clasificar distintos objetos astron\u00f3micos, con resultados sorprendentes. Sin embargo, en la comunidad cient\u00edfica han surgido preocupaciones porque <strong>no siempre es claro c\u00f3mo estas herramientas computacionales toman sus decisiones.<\/strong><\/p>\n\n\n\n<p>El m\u00e9todo implementado por los investigadores del Instituto de F\u00edsica Te\u00f3rica de Madrid y la Universidad de Chile utiliz\u00f3 inteligencia artificial para analizar datos simulados de la distribuci\u00f3n a gran escala de galaxias y logr\u00f3 diferenciar con gran precisi\u00f3n entre los dos modelos cosmol\u00f3gicos: \u039bCDM y el modelo f(R). Pero lo m\u00e1s importante es que, para abordar los desaf\u00edos de transparencia, <strong>recurrieron a t\u00e9cnicas de Aprendizaje Autom\u00e1tico Interpretable.<\/strong> En particular, emplearon <strong>LIME<\/strong> (Local Interpretable Model-agnostic Explanations), una metodolog\u00eda que permite entender qu\u00e9 caracter\u00edsticas de los datos tienen mayor influencia en las predicciones de la red neuronal. Los f\u00edsicos consideran esto crucial para la toma de decisiones al validar cualquier nuevo enfoque te\u00f3rico. Como explica Indira Ocampo, coautora del estudio:<\/p>\n\n\n\n<p>\u00abLa mayor\u00eda de los m\u00e9todos conocidos hasta la fecha se desarrollaron debido a su creciente urgencia en campos como la medicina, la econom\u00eda y las ciencias de la Tierra. En cosmolog\u00eda, la interpretabilidad es igualmente importante, ya que dependemos de modelos de aprendizaje autom\u00e1tico para analizar conjuntos de datos vastos y complejos, como la distribuci\u00f3n de galaxias a gran escala o las fluctuaciones en la radiaci\u00f3n c\u00f3smica de fondo\u00bb.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Un nuevo horizonte para la cosmolog\u00eda computacional<\/h3>\n\n\n\n<p>El uso de herramientas de aprendizaje autom\u00e1tico interpretable no solo mejora la precisi\u00f3n en la selecci\u00f3n de modelos cosmol\u00f3gicos, sino que tambi\u00e9n <strong>sienta las bases para futuras aplicaciones en la exploraci\u00f3n del universo.<\/strong> A\u00fan m\u00e1s cruciales son las herramientas de interpretabilidad, que pueden ayudarnos a profundizar en la comprensi\u00f3n de la f\u00edsica fundamental detr\u00e1s de los fen\u00f3menos cosmol\u00f3gicos. A medida que los cartografiados de galaxias y otras observaciones astron\u00f3micas generan vol\u00famenes de datos cada vez m\u00e1s grandes, estas t\u00e9cnicas ser\u00e1n esenciales para extraer informaci\u00f3n relevante y avanzar en nuestro conocimiento del cosmos.<\/p>\n\n\n\n<p>Ocampo, I., Alestas, G., Nesseris, S., &amp; Sapone, D. (2025). Enhancing cosmological model selection with interpretable machine learning. <em>Physical Review Letters, 134<\/em>(4), 041002.<a href=\"https:\/\/doi.org\/10.1103\/PhysRevLett.134.041002\"> https:\/\/doi.org\/10.1103\/PhysRevLett.134.041002<\/a><\/p>\n\n\n\n<p><strong>El IFT<\/strong><\/p>\n\n\n\n<p>El <a href=\"https:\/\/www.ift.uam-csic.es\/\">IFT-UAM\/CSIC<\/a> es un centro mixto de la Universidad Aut\u00f3noma de Madrid y el Consejo Superior de Investigaciones Cient\u00edficas, dedicado \u00edntegramente a la investigaci\u00f3n en f\u00edsica te\u00f3rica, con el foco en las cuestiones m\u00e1s fundamentales, desde las part\u00edculas elementales hasta la cosmolog\u00eda, pasando por la frontera de la complejidad cu\u00e1ntica. Sus investigadores lideran numerosos proyectos tanto en el \u00e1mbito nacional como internacional, apoyados en una intensa actividad de formaci\u00f3n de j\u00f3venes investigadores y una original labor de divulgaci\u00f3n de la f\u00edsica.<\/p>\n\n\n\n<p><strong><em>Para m\u00e1s informaci\u00f3n y entrevistas:<\/em><\/strong><\/p>\n\n\n\n<p><em>Laura Marcos Mateos<\/em><\/p>\n\n\n\n<p><a href=\"mailto:laura.marcos@csic.es\"><em>laura.marcos@csic.es<\/em><\/a><\/p>\n\n\n\n<p><a href=\"mailto:comunicacion@ift.csic.es\"><em>comunicacion@ift.csic.es<\/em><\/a><\/p>\n\n\n\n<p><em>912999894<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>El estudio, publicado en Physical Review Letters, revela c\u00f3mo aprenden las redes neuronales a partir de distribuciones a gran escala de galaxias, desmitificando un proceso que antes se consideraba una \u00abcaja negra\u00bb. El trabajo est\u00e1 dirigido por el Instituto de F\u00edsica Te\u00f3rica (IFT UAM-CSIC) y la Universidad de Chile. Madrid, 10 de febrero de 2025.\u2013&hellip;&nbsp;<a href=\"https:\/\/projects.ift.uam-csic.es\/outreach_new\/un-nuevo-estudio-explora-la-distribucion-a-gran-escala-de-galaxias-mediante-aprendizaje-automatico-interpretable\/\" class=\"\" rel=\"bookmark\">Leer m\u00e1s &raquo;<span class=\"screen-reader-text\">Adi\u00f3s a las &#8216;cajas negras&#8217;: una nueva herramienta logra mejorar la transparencia de la Inteligencia Artificial aplicada a cosmolog\u00eda<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":1585,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"neve_meta_sidebar":"","neve_meta_container":"","neve_meta_enable_content_width":"","neve_meta_content_width":0,"neve_meta_title_alignment":"","neve_meta_author_avatar":"","neve_post_elements_order":"","neve_meta_disable_header":"","neve_meta_disable_footer":"","neve_meta_disable_title":"","_themeisle_gutenberg_block_has_review":false,"footnotes":""},"categories":[28],"tags":[27],"class_list":["post-1583","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-resultados-cientificos","tag-resultados-cientificos"],"_links":{"self":[{"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/posts\/1583","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/comments?post=1583"}],"version-history":[{"count":2,"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/posts\/1583\/revisions"}],"predecessor-version":[{"id":1990,"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/posts\/1583\/revisions\/1990"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/media\/1585"}],"wp:attachment":[{"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/media?parent=1583"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/categories?post=1583"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/projects.ift.uam-csic.es\/outreach_new\/wp-json\/wp\/v2\/tags?post=1583"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}