La gravedad alrededor de un agujero negro es tan extrema que nada puede escapar una vez que cruza cierto límite, ni siquiera la luz. Para entender estos objetos —los laboratorios naturales más extremos del universo— investigadores como Chi‑kwan Chan, astrofísico de la Universidad de Arizona y miembro del Steward Observatory, combinan observaciones y simulaciones computacionales. Sin embargo, los algoritmos actuales y la capacidad de cómputo siguen siendo un freno para lograr modelos realmente realistas.
Chan forma parte de la colaboración internacional del Event Horizon Telescope (EHT), responsable de la primera imagen de un agujero negro publicada en 2019. Ahora, el equipo trabaja en un objetivo aún más ambicioso: obtener el primer video de un agujero negro supermasivo, específicamente el que se encuentra en el centro de la galaxia M87. Para lograrlo, necesitan procesar cantidades enormes de datos y ejecutar simulaciones capaces de reproducir física extrema.
El reto principal está en el plasma que rodea a estos objetos. Aunque muchas simulaciones lo tratan como un fluido, esa aproximación se queda corta en regiones donde la materia está tan caliente y dispersa que las partículas casi no chocan entre sí. En esos entornos, electrones e iones se mueven en espirales rápidas alrededor de líneas de campo magnético, obligando a las computadoras a calcular cada giro diminuto. Incluso los supercómputos más potentes terminan atrapados en esos detalles, sin avanzar hacia el comportamiento global que los científicos realmente buscan estudiar.
“Durante décadas, esto ha limitado lo realistas que pueden ser nuestras simulaciones”, explica Chan.
Codex como aliado matemático
Ante este cuello de botella, Chan sospechaba que nuevas técnicas matemáticas podrían ayudar a reformular cómo se sigue el movimiento de las partículas, evitando calcular cada espiral microscópica. Pero explorar todas las posibilidades a mano habría tomado años. Por eso recurrió a Codex, un modelo de IA capaz de generar y probar algoritmos candidatos.
Codex produjo múltiples enfoques —algunos correctos, otros no tanto—, pero para Chan eso forma parte del proceso científico. Lo importante es que las ideas sean probables, verificables y físicamente interpretables. Su equipo no usa la IA como una caja negra que entrega respuestas, sino como una herramienta para proponer esquemas numéricos que luego pueden inspeccionar, validar y comparar con soluciones conocidas.
Aunque muchos investigadores siguen cautelosos ante el uso de IA en ciencia, Chan sostiene que precisamente en este campo su utilidad es más clara: las ideas pueden someterse a pruebas rigurosas. “No aceptamos una idea porque venga de Einstein, de un estudiante brillante o de un modelo de IA. La aceptamos solo después de repetir las pruebas”, afirma.
Hacia simulaciones antes imposibles
Si los métodos que Chan desarrolla con Codex funcionan, podrían permitir simulaciones con trillones de partículas, algo impensable hasta ahora. Esto abriría la puerta a estudiar fenómenos que han permanecido fuera del alcance durante décadas y a construir un “gemelo digital” mucho más fiel de los entornos cercanos a un agujero negro.
En un campo donde la luz no puede escapar, la combinación de observación, matemáticas y herramientas de IA podría ser la clave para iluminar lo que antes era invisible.
