La IA y los problemas difíciles del mundo · Astronomía y espacio · arXiv · 2026-10-22
ML en turbulencia astrofísica I: predicción de núcleos preestelares en nubes moleculares magnetizadas mediante eXtreme Gradient Boosting
Título original: ML in Astrophysical Turbulence I: Predicting Prestellar Cores in Magnetized Molecular Clouds using eXtreme Gradient Boosting
En las nubes moleculares gigantes, donde la turbulencia supersónica y los campos magnéticos dificultan predecir qué paquetes de gas colapsan en núcleos de formación estelar, los autores presentan un marco basado en XGBoost que pronostica las trayectorias 3D y el destino de colapso gravitatorio del gas preestelar, entrenado con unos 2.1 millones de partículas trazadoras procedentes de simulaciones MHD turbulentas con autogravedad. El modelo predice la evolución espacial 3D a lo largo de 0.25 tiempos de caída libre (unos 0.31 Myr) con R² > 0.99 y clasifica la susceptibilidad de los núcleos con AUC 0.975, mientras que el análisis SHAP muestra que dominan la densidad local, la energía cinética y la magnitud del campo magnético, y el modelo vuelve a derivar un nítido umbral de colapso no lineal en log₁₀ρ ≈ 0.8 por encima del cual los campos magnéticos amplifican las predicciones de colapso. El estudio también muestra que los modelos de aprendizaje automático punto a punto, aunque potentes en la advección cinemática, carecen matemáticamente del contexto espacial necesario para evaluar los operadores diferenciales locales que físicamente detienen el colapso.