En noviembre de 2025 se presentó algo que la astrofísica llevaba años persiguiendo: una simulación de la Vía Láctea en la que más de 100.000 millones de estrellas se tratan una a una, como objetos individuales. Sin agruparlas en paquetes, sin promediar. Cada estrella cuenta.
El trabajo lo lideró Keiya Hirashima, del centro RIKEN iTHEMS en Japón, con colegas de la Universidad de Tokio y la Universidad de Barcelona, y se presentó en SC'25, la gran conferencia internacional de supercomputación, celebrada en Estados Unidos. Frente a los mejores modelos anteriores, el suyo representa unas 100 veces más estrellas y calcula unas 100 veces más rápido.
Y lo interesante es cómo lo consiguieron. Ordenadores más potentes no bastaban: hacía falta otra idea. Entrenaron una inteligencia artificial que se encarga de la parte más cara del cálculo y deja que la física de siempre haga el resto. Os cuento por qué era tan difícil y qué papel juega exactamente esa IA.
Un muro de escalas
Lo primero: ¿para qué quiere un astrofísico simular una galaxia entera? Porque hay preguntas que solo se pueden responder trasteando en un entorno virtual. Cómo se forman y se reparten los elementos químicos pesados que fabrican las supernovas y que luego acaban en planetas y, con el tiempo, en seres vivos. Cómo esas explosiones regulan el nacimiento de nuevas estrellas al chocar con las nubes de gas. Cómo se establece la estructura en espiral que vemos. Con una galaxia virtual a resolución de estrella, además, se pueden comparar los resultados directamente con las observaciones reales.
El problema es que una galaxia mezcla procesos en escalas absurdamente distintas. Por un lado, la gravedad actuando a lo largo de miles de años luz; por otro, la dinámica del gas interestelar, la química y las supernovas, que son eventos rapidísimos. Para no perderte lo que pasa en una explosión, la simulación tiene que avanzar en pasos de tiempo diminutos, y encoger el paso de tiempo dispara el coste de cálculo.
Por eso, hasta entonces, el mejor límite rondaba el equivalente a una masa total de mil millones de soles, muy lejos de las más de 100.000 millones de estrellas de la Vía Láctea. En esos modelos, la partícula más pequeña representaba un grupo de unas 100 estrellas juntas. Captabas la forma general de la galaxia, pero los fenómenos individuales, como una estrella concreta que explota y remueve su entorno, se perdían en el promedio.
Los números eran demoledores. Con los modelos físicos más precisos, simular la Vía Láctea estrella a estrella habría costado unas 315 horas de cálculo por cada millón de años simulados. Para cubrir 1.000 millones de años, más de 36 años de tiempo real: alguien podría lanzar la simulación al empezar su carrera y jubilarse sin ver el resultado. Y añadir procesadores apenas ayuda, porque los superordenadores ya trabajan con millones de núcleos y cada núcleo extra rinde menos y gasta más energía.
El atajo: un modelo sustituto para las supernovas
La salida fue un enfoque híbrido. Dentro de la simulación física estándar, el equipo integró un modelo sustituto de aprendizaje profundo: una red neuronal que reemplaza a un único componente de la simulación, el más caro de todos.
Ese modelo se entrenó antes con simulaciones de supernovas de altísima resolución. Así aprendió a predecir cómo se dispersa el gas tras una explosión estelar durante los 100.000 años siguientes: ondas de choque, formación de remanentes, todo el caos posterior, encapsulado en la red. Cuando una estrella explota en la simulación de la galaxia, la IA aporta al instante una estimación de cómo queda el gas de alrededor, y la simulación sigue adelante sin pararse a calcular cada explosión desde cero.
Y aquí viene lo bueno: ese atajo no se inventa la física. La red se entrenó con datos de simulaciones tradicionales de alta fidelidad, así que aproxima la física real de forma informada. Además, el equipo lo validó comparando la simulación híbrida con ejecuciones de control hechas íntegramente con métodos convencionales, usando el superordenador Fugaku de RIKEN y el sistema Miyabi de la Universidad de Tokio. Los resultados coincidieron. La IA se quedó con uno de los grandes cuellos de botella, la evolución del gas tras cada supernova, mientras el resto (gravedad, dinámica de fluidos y química galáctica) se seguía calculando como siempre.
De 36 años a unos cuatro meses
Con ese reparto de tareas, simular un millón de años de evolución galáctica pasó a costar unas 2,8 horas de cálculo, frente a las 315 de antes. A ese ritmo, 1.000 millones de años se pueden modelar en unos 115 días, algo menos de cuatro meses, en lugar de 36 años. La ejecución presentada siguió a esas más de 100.000 millones de estrellas a lo largo de 10.000 años de evolución, y cada una se trata como una entidad individual.
Es como tener un mapa de la galaxia en altísima resolución: la ves entera evolucionando y, a la vez, puedes acercarte a un rincón concreto y ver cómo una sola estrella explota y esparce sus restos, todo dentro de la misma simulación. Antes había que elegir entre ver el bosque o ver los árboles. Con esto se ven las dos cosas. Y la consecuencia práctica es que se pueden lanzar varias simulaciones en el tiempo que antes costaba una, probando distintas condiciones: formación estelar, frecuencia de supernovas, distribución de materia oscura. Más simulaciones en menos tiempo son más oportunidades de descubrimiento.
Más allá de las estrellas
La técnica sirve para cualquier problema de multiescala, donde fenómenos pequeños y rápidos condicionan el comportamiento de un sistema enorme: meteorología, climatología, oceanografía, geofísica. En un modelo climático, por ejemplo, la formación de gotas en una nube o la turbulencia de la atmósfera influyen en patrones de todo el planeta. Los autores apuntan que se pueden entrenar modelos sustitutos para esas físicas locales y acoplarlos a simulaciones globales, y su siguiente paso es precisamente explorar la aplicación en modelos del sistema Tierra, como el clima. Eso sí, sigue haciendo falta un superordenador de primera línea: esto no corre en un portátil.
Lo que más me fascina es el cambio de papel de la IA. En investigación se había usado sobre todo para reconocer patrones en datos, como identificar galaxias en imágenes. Aquí se convierte en una pieza activa del cálculo científico. En palabras de Hirashima, integrar la IA con la computación de alto rendimiento supone «un cambio fundamental» en la forma de abordar los problemas multiescala y multifísicos, y convierte estas simulaciones en una herramienta genuina de descubrimiento, capaz de ayudarnos a rastrear cómo surgieron en nuestra galaxia los elementos de los que estamos hechos.
Y todo esto, cuando la IA llevaba apenas tres años en boca de todo el mundo. Ahí está la idea con la que me quedo: la IA como copiloto que se pone entre nuestro intelecto y la fuerza bruta, y que permite atacar problemas que ni las ideas solas ni los millones de núcleos solos podían resolver. Por primera vez vemos el bosque completo y cada árbol a la vez.
De dónde sale esto
- AI creates the first 100-billion-star Milky Way simulation, ScienceDaily (noviembre de 2025)
- The simulated Milky Way: 100 billion stars using 7 million CPU cores, Phys.org (noviembre de 2025)
- Simulated Milky Way with AI and supercomputing sets star modeling milestone, SpaceDaily
- Scientists use AI to build the most detailed Milky Way model ever created, Euronews (17 de noviembre de 2025)
- Hirashima, K. y colaboradores (RIKEN iTHEMS, Universidad de Tokio, Universidad de Barcelona), trabajo presentado en SC'25, noviembre de 2025.