Un astrofísico usa IA para simular agujeros negros: así Codex de OpenAI está acelerando uno de los problemas más difíciles del universo

La gravedad de un agujero negro es tan extrema que ni la luz puede escapar una vez que cruza cierto umbral. Estudiarlos, entonces, requiere simulaciones computacionales de una complejidad descomunal. Y ahí es donde la inteligencia artificial está empezando a cambiar las reglas del juego.

Chi-kwan Chan, astrofísico de la Universidad de Arizona y el Observatorio Steward, lleva años trabajando con el proyecto Event Horizon Telescope (EHT) — la colaboración internacional que en 2019 publicó la primera imagen de un agujero negro en la historia. Hoy, ese mismo equipo trabaja en algo más ambicioso: el primer video de un agujero negro supermasivo, enfocado en el que habita en el centro de la galaxia M87. Y Chan usa Codex, el agente de programación de OpenAI, como parte de ese esfuerzo.

El problema que frenó décadas de ciencia

La física del plasma alrededor de un agujero negro es, por decirlo con precisión, un infierno computacional. En condiciones de alta densidad, el plasma puede modelarse como un fluido usando ecuaciones bien conocidas. Pero cerca de los agujeros negros supermasivos que Chan estudia, el plasma se vuelve tan caliente y difuso que los electrones e iones casi no colisionan entre sí: en cambio, espiralan alrededor de líneas de campo magnético en movimientos de tirabuzón diminutos y continuos.

Seguir ese comportamiento requeriría simular el movimiento de billones de partículas dando cada pequeño giro. El resultado es que incluso las supercomputadoras más rápidas del mundo terminan usando la mayor parte de su capacidad de cálculo en esos micromovimientos, en lugar de en el comportamiento a gran escala que los científicos quieren estudiar. Ese cuello de botella lleva décadas limitando qué tan realistas pueden ser las simulaciones.

La apuesta: cambiar la matemática, no la computadora

Chan sospechaba que nuevas técnicas matemáticas podían reformular cómo el algoritmo rastrea el movimiento de las partículas, eliminando la necesidad de calcular cada espiral individual. El problema era que explorar ese espacio de posibilidades matemáticas a mano habría tomado años.

Ahí entró Codex. Chan lo usó para generar y probar candidatos algorítmicos, comparándolos contra soluciones conocidas. No todos funcionaron — la mayoría no lo hicieron — pero ese no era el punto. En ciencia, la mayoría de las ideas fallan. Lo que importa es que las que funcionan puedan verificarse y reproducirse.

Un uso de IA con el que pocos científicos pueden objetar

Lo que hace el caso de Chan particularmente interesante para el debate sobre IA en ciencia es su epistemología. No se trata de aceptar los resultados del modelo como verdad. Se trata de usar la IA para proponer esquemas numéricos que luego el equipo puede inspeccionar, entender físicamente y someter a pruebas rigurosas.

“No aceptamos una idea porque venga de Einstein, de un estudiante brillante o de un modelo de IA”, dijo Chan. “La aceptamos solo después de pruebas repetidas.”

Esa postura coloca a la IA en su lugar más útil dentro de la investigación científica: no como oráculo, sino como explorador rápido de hipótesis que los humanos todavía tienen que validar.

Lo que está en juego

Si los algoritmos que Chan está probando con Codex resultan funcionales, podrían permitir simular billones de partículas alrededor de agujeros negros, abriendo el acceso a física que ha permanecido fuera de alcance durante décadas. Eso no es un avance menor: es potencialmente una nueva ventana hacia la verificación experimental de la teoría general de la relatividad de Einstein en los entornos más extremos del universo conocido.

¿Por qué importa? La colaboración Event Horizon Telescope ya cambió la historia de la astronomía en 2019. Si sus herramientas de simulación dan el salto que Chan está buscando, la próxima imagen — o video — de un agujero negro podría ser cualitativamente más precisa que cualquier cosa que hayamos visto. Y parte del crédito iría a un agente de programación de IA que generó algoritmos que nadie habría derivado a tiempo por su cuenta.