UN NUEVO ESTUDIO TEÓRICO ESTABLECE UN VÍNCULO MATEMÁTICO ENTRE LA EVAPORACIÓN DE LOS AGUJEROS NEGROS Y UN FENÓMENO EN EL APRENDIZAJE AUTOMÁTICO CONOCIDO COMO “DOBLE DESCENSO”, LO QUE SUGIERE QUE LOS CONOCIMIENTOS DE LA GRAVEDAD CUÁNTICA PODRÍAN AYUDAR A EXPLICAR CÓMO LOS ALGORITMOS RECUPERAN INFORMACIÓN, INCLUSO DESPUÉS DE UNA PÉRDIDA EXTREMA DE DATOS.
El artículo, publicado este mes en el servidor de preimpresión arXiv, propone que la forma en que la información emerge gradualmente de la radiación de un agujero negro se asemeja a cómo los modelos de aprendizaje automático cuántico comienzan a recuperar la precisión en un régimen sobreparametrizado, que es donde el número de parámetros supera con creces el número de puntos de datos de entrenamiento. Los investigadores interpretan la evaporación de los agujeros negros como un problema de aprendizaje cuántico, en el que la estructura oculta de la radiación de Hawking se puede modelar utilizando técnicas de regresión lineal conocidas de la inteligencia artificial moderna.
Puente conceptual
En el corazón del trabajo se encuentra un puente conceptual entre dos ideas complejas: la curva de Page de la física de los agujeros negros y la curva de doble descenso del aprendizaje estadístico. Ambos describen transiciones en la accesibilidad a la información. En los agujeros negros, el tiempo de página marca el punto en el que la radiación exterior contiene más información que el resto del interior del agujero negro. En el aprendizaje automático, el umbral de interpolación marca cuándo un modelo se vuelve lo suficientemente grande como para ajustarse exactamente a los datos de entrenamiento, después de lo cual su rendimiento mejora sorprendentemente, a pesar de estar muy sobreajustado.
Imagen responsiva
Según los investigadores, la conexión depende del análisis espectral de sistemas de alta dimensión. Utilizan una herramienta matemática llamada distribución de Marchenko-Pastur, que describe cuánto se estiran o comprimen las diferentes direcciones de los datos en grandes matrices aleatorias, para rastrear cómo cambia el rango y la estructura de la información en la radiación de los agujeros negros con el tiempo. Esta misma distribución desempeña un papel clave en la comprensión de la generalización en modelos de aprendizaje automático entrenados con datos limitados.
En su modelo, el número de microestados de agujeros negros se trata como equivalente al tamaño de un conjunto de datos, y la dimensionalidad de la radiación como el número de parámetros en un modelo de aprendizaje. Como antecedente: el físico Don Page propuso que a medida que un agujero negro se evapora, llega un punto de inflexión, ahora conocido como el tiempo de Page, cuando la radiación de Hawking, aparentemente aleatoria, comienza a revelar información sobre lo que alguna vez contuvo el agujero negro. Antes de la época de la página, no hay suficiente radiación accesible para reconstruir lo que cayó en el agujero negro. Después del tiempo de página, la radiación contiene suficiente información codificada que, en teoría, es posible una recuperación completa.
Predicción de etiquetas a partir de entidades
Los investigadores definen una tarea de aprendizaje cuántico en la que los observables de la radiación del agujero negro (cantidades que se pueden medir) se utilizan para predecir los estados internos del agujero negro, de forma similar a cómo un modelo aprende etiquetas de las características. Muestran que el error de prueba en este modelo de regresión cuántica diverge precisamente en el tiempo de Page, reflejando el pico de error observado en el umbral de interpolación en el doble descenso clásico. A ambos lados de ese pico, el error de prueba disminuye, lo que demuestra una simetría geométrica que también se encuentra en los sistemas de aprendizaje automático.
Esta simetría de inversión, en la que se pueden intercambiar las funciones de los parámetros y los datos, apunta a una analogía estructural más profunda. En ambos sistemas, el peor rendimiento se produce cuando la capacidad del modelo coincide con el tamaño de los datos y mejora cuando la capacidad es mucho menor o mucho mayor. El estudio afirma que la evaporación del agujero negro se comporta de manera similar: la información es menos recuperable exactamente en el momento de Page, cuando la entropía de la radiación coincide con la del agujero negro restante.
Métodos y modelos
Para llegar a sus conclusiones, los autores modelan el agujero negro y su radiación emitida como un sistema cuántico descrito por matrices de densidad, u objetos matemáticos que codifican estados cuánticos probabilísticos. Analizan el comportamiento de estas matrices bajo una configuración de regresión, mapeando el proceso físico de evaporación a una tarea de aprendizaje supervisado. Las cantidades clave, como la varianza en el error de predicción, se derivan utilizando fórmulas bien establecidas tanto de la teoría de la información cuántica como de la teoría de matrices aleatorias.
El estudio no propone ningún nuevo experimento físico, ni, como veremos, sugiere que los agujeros negros estén utilizando de alguna manera el aprendizaje automático cuántico. En su lugar, replantea una cuestión física no resuelta, la paradoja de la información de los agujeros negros, dentro de la estructura del aprendizaje automático. Sugiere que lo que una vez pareció información perdida podría ser recuperable, no a través de nuevas leyes de la física, sino a través de la comprensión de cómo se comportan los datos de alta dimensión bajo transformaciones similares a la regresión.
Aunque el trabajo es teórico, tampoco es puramente especulativo. La curva de Page, la radiación de Hawking y la ley de Marchenko-Pastur son matemáticamente rigurosas. La novedad radica en alinear estos conceptos en un único marco analítico. Aun así, el modelo se basa en simplificaciones: supone un conocimiento completo de los microestados de los agujeros negros, una teoría exacta de la gravedad cuántica y la capacidad de medir o manipular información cuántica a escalas arbitrariamente finas, suposiciones que, según el mejor conocimiento actual, aún no se han hecho prácticas.
Los autores también reconocen que, si bien sus analogías son precisas en un sentido matemático, no implican que los agujeros negros realicen literalmente tareas de aprendizaje automático. Más bien, sugieren que ambos sistemas obedecen a restricciones teóricas de información similares, y que el aprendizaje automático podría ofrecer nuevos diagnósticos para comprender la geometría del espacio-tiempo y el flujo de información cuántica.
Direcciones futuras en la investigación cuántica y de IA
De cara al futuro, este marco interdisciplinario podría ayudar a los investigadores a reexaminar otros rompecabezas de gravedad cuántica utilizando herramientas de IA. Al igual que la entropía y la temperatura se convirtieron en analogías útiles para comprender los agujeros negros en el pasado, la varianza y el sesgo pueden ofrecer una nueva visión de cómo se comporta la información bajo límites físicos extremos. Por el contrario, la dinámica de aprendizaje de los agujeros negros podría inspirar nuevos modelos sobre cómo los sistemas de aprendizaje automático cuántico se generalizan en caso de escasez o exceso de datos.
El estudio también se suma a un creciente cuerpo de trabajo que busca unificar la física y el aprendizaje automático a través del lenguaje matemático compartido. Si estas conexiones continúan profundizándose, no solo pueden aclarar misterios sobre los objetos más enigmáticos del universo, sino que también existe la posibilidad de que puedan mejorar la próxima generación de algoritmos de aprendizaje.
La preimpresión fue escrita por Jae-Weon Lee, de la Universidad de Jungwon en Corea del Sur, y Zae Young Kim, de Spinor Media.
El artículo sobre arXiv profundiza tecnológicamente más que esta historia resumida, por lo que se recomienda revisar el estudio para obtener detalles tecnológicos más exactos. ArXiv es un servidor de preimpresión, lo que significa que el trabajo no ha sido oficialmente revisado por pares, un paso clave del método científico.
