La reciente investigación liderada por Raymundo Vazquez y su equipo ha explorado a detalle la aplicación de enfoques avanzados de Machine Learning, como las ecuaciones diferenciales ordinarias neuronales (Neural ODEs) y las ecuaciones diferenciales universales (UDEs), a la ecuación de Chandrasekhar de enanas blancas (CWDE). Este trabajo representa un hito importante hacia la integración de Machine Learning científico en astronomía.

En un esfuerzo por analizar el ciclo vital de las estrellas con mayor precisión, los investigadores pusieron a prueba la eficiencia de estos enfoques en la predicción y previsión del comportamiento de la CWDE. Esto no solo permitió entender mejor la relación entre la densidad de una enana blanca y su distancia del centro, sino que también introdujo el novedoso concepto de “punto de ruptura de la previsión”, que define el momento en que fallan las predicciones.

Utilizando robustos modelos en el lenguaje de programación Julia, el estudio demuestra que tanto las Neural ODEs como las UDEs son herramientas efectivas para predecir y prever la CWDE, abriendo un abanico de posibilidades para su aplicación en problemas astrofísicos.

Se evaluaron distintas configuraciones de redes neuronales, funciones de activación, y optimizadores para determinar cuáles ofrecen los mejores resultados. Se realizaron pruebas con datos sintéticos con diferentes niveles de ruido, lo que permitió concluir que, aunque ambos enfoques son poderosos, las UDEs muestran un desempeño superior cuando se dispone de menos datos o los datos son menos ruidosos, gracias a su capacidad de incorporar leyes físicas preexistentes.

Este estudio no solo es un avance técnico, sino que también proporciona una nueva perspectiva sobre cómo las técnicas de aprendizaje automático científico pueden expandir el horizonte del estudio astrofísico, facilitando previsiones más exactas de eventos cósmicos y comportamientos estelares, al tiempo que minimizan los datos requeridos y los recursos computacionales.