Physics-guided discovery of dynamical dark-energy equations of state through iterative AI reasoning

Resumen Técnico: Descubrimiento de Ecuaciones de Estado de Energía Oscura Dinámica Guiado por la Física

Planteamiento del Problema
El descubrimiento de la aceleración cósmica implica la existencia de la energía oscura, sin embargo, el modelo estándar $\Lambda$CDM deja sin resolver cuestiones teóricas fundamentales respecto a la naturaleza física de este componente. Aunque se han explorado extensamente los modelos de energía oscura dinámica (donde la ecuación de estado $w$ evoluciona con el corrimiento al rojo o redshift), la inferencia actual depende en gran medida de parametrizaciones de baja dimensionalidad diseñadas por humanos (p. ej., CPL, JBP). Estos enfoques tradicionales están limitados por sus formas funcionales fijas y comportamientos asintóticos, lo que puede sesgar la búsqueda de nueva física o enmascarar la verdadera fenomenología subyacente. Por el contrario, las reconstrucciones no paramétricas carecen de las formas analíticas compactas necesarias para la interpretación física y la comparación teórica. El artículo aborda la necesidad de un marco que pueda explorar un espacio más amplio de candidatos simbólicos para la ecuación de estado (EoS) manteniendo la interpretabilidad, la motivación física y el rigor estadístico.

Metodología
Los autores proponen un marco de razonamiento iterativo guiado por IA que trata el descubrimiento de la EoS de la energía oscura como un proceso de ciclo cerrado que involucra generación, evaluación y refinamiento. El flujo de trabajo consta de cuatro componentes principales:

1. Generación de Hipótesis: Un Modelo de Lenguaje de Gran Escala (LLM), específicamente Qwen3-30B-A3B, actúa como generador. Propone parametrizaciones simbólicas para $w(z)$ como funciones ejecutables de Python. Crucialmente, cada propuesta viene acompañada de una justificación cosmológica en lenguaje natural.
2. Generación Aumentada por Recuperación (RAG): Para fundamentar la generación en la física existente, el sistema recupera pasajes relevantes de un corpus de aproximadamente 7,000 manuscritos de arXiv sobre energía oscura. Esto asegura que las propuestas sean contextualmente conscientes de la literatura permitiendo, al mismo tiempo, combinaciones novedosas.
3. Evaluación Cosmológica: Cada candidato se integra en un modelo cosmológico de fondo. Los parámetros se optimizan frente a datos observacionales (supernovas de Tipo Ia, Oscilaciones Acústicas de Bariones y CMB).
   • Etapa de Búsqueda Iterativa: Utiliza un conjunto de datos reducido (Pantheon+, BAO 2D y parámetros de desplazamiento comprimidos del CMB $R$ y $\ell_A$) para un cribado rápido.
   • Etapa de Validación: Utiliza verosimilitudes completas (Planck 2018, DESI-DR2, Union3, DESY5) para la comparación final de modelos.
4. Crítico Independiente: Un LLM separado (GPT-5.1 mini) evalúa los candidatos basándose en la plausibilidad física, la novedad, la claridad del razonamiento, la estabilidad numérica y la validez de la implementación. El crítico proporciona puntuaciones y sugerencias específicas para la modificación.
5. Búfer de Experiencia: Las hipótesis exitosas (alta adecuación estadística y altas puntuaciones del crítico) se almacenan en un búfer de experiencia. Las generaciones subsiguientes se condicionan a este búfer, lo que permite al sistema evolucionar tanto la estructura matemática como el razonamiento físico a lo largo del tiempo.

El sistema fue validado primero mediante una "prueba ciega" sobre una cosmología simulada exótica con una EoS no estándar ($w_{exotic}(z) = \alpha / (1+z)^\beta$) para asegurar que el flujo de trabajo pudiera recuperar dinámicas no estándar sin estar sesgado hacia plantillas familiares como CPL.

Contribuciones Clave

• Marco para la Fenomenología Guiada por IA: El artículo introduce un bucle reproducible que integra el descubrimiento de ecuaciones simbólicas con el razonamiento físico y las restricciones observacionales, yendo más allá del simple ajuste de curvas hacia el "razonamiento guiado por la física".
• Dos Nuevas Parametrizaciones: El marco identificó dos nuevas formas de EoS compactas de dos parámetros que son competitivas con los modelos establecidos:
  • IA 1: Una parametrización cuadrática acotada con fenomenología de cruce de fantasma (phantom-crossing):
    $$w(z) = -1 - w_0 \left(\frac{z^2}{1+z^2}\right) + w_a \left(\frac{z^2}{1+z^2}\right)^2 - w_0 w_a$$
    Este modelo presenta una transición suave y acotada y permite trayectorias de fantasma a no-fantasma.
  • IA 2: Una parametrización de redshift intermedio amortiguada:
    $$w(z) = w_0 + w_a \frac{z}{1+z} \exp\left[-\left(\frac{z}{1+z}\right)^2 (1+z)^{1/4}\right]$$
    Este modelo preserva el comportamiento de bajo redshift de CPL pero amortigua el límite de alto redshift hacia $w_0$, desacoplando la flexibilidad de tiempo tardío de las asíntotas de tiempo temprano.
• Validación de la Recuperación de No-Plantillas: La prueba ciega simulada demostró que el sistema podía recuperar la cosmología subyacente de un modelo exótico (donde CPL era fuertemente desfavorecido) sin simplemente reutilizar plantillas conocidas, probando que el espacio de búsqueda no está restringido a los ansätze estándar.

Resultados

• Validación Ciega: En la prueba simulada exótica, los modelos generados por IA (específicamente AI-sim1 y AI-sim2) recuperaron la cosmología inyectada ($\Omega_m, H_0$) dentro de intervalos creíbles, mientras que el modelo CPL estándar falló, produciendo parámetros sesgados a pesar de tener restricciones más estrictas. Los mejores candidatos de IA lograron un log-factor de Bayes ($\ln BE_i$) de 1.55 respecto al modelo real, comparado con 6.97 para CPL (lo que indica un fuerte desfavorecimiento).
• Análisis de Datos Reales: Aplicado a combinaciones de datos de Pantheon+, DESI-DR2 y Planck 2018:
  • Los dos modelos seleccionados por IA (AI 1 y AI 2) estuvieron entre los mejores desempeños, manteniéndose dentro de aproximadamente un logaritmo de evidencia respecto al modelo CPL.
  • Para la combinación DESI-DR2 BAO + Pantheon+ SNIa + Planck 2018, AI 1 obtuvo una evidencia Bayesiana mayor que CPL (por más de una unidad), favoreciendo el modelo dinámico.
  • Para DESI-DR2 BAO + Union3 SNIa + Planck 2018, AI 1 mostró la evidencia más fuerte entre todos los modelos probados.
  • Ambos modelos de IA preservan los parámetros del universo temprano ($\omega_b, \omega_{cdm}, \theta_s$) consistentes con las restricciones de Planck, indicando que sus mejoras surgen de la evolución del fondo en tiempo tardío en lugar de modificaciones a la física de la recombinación.
  • Los modelos predicen espectros de temperatura de CMB casi degenerados con CPL, con diferencias que aparecen principalmente en los multipolos bajos.

Significado y Reivindicaciones
El artículo afirma que el razonamiento guiado por IA puede complementar la construcción de modelos tradicional al proponer y evaluar parametrizaciones fenomenológicas interpretables. Los autores enfatizan que el marco no pretende afirmar un entendimiento científico autónomo, sino hacer que el proceso de razonamiento fenomenológico sea explícito, auditable y revisable.

Las reivindicaciones clave incluyen:

• La capacidad de buscar en el "espacio fenomenológico" mismo, en lugar de estar confinado a ansätze preseleccionados.
• El descubrimiento de ecuaciones compactas de dos parámetros que son competitivas con las formas establecidas y, en combinaciones específicas de conjuntos de datos, estadísticamente preferidas sobre ellas.
• La demostración de que la IA puede adaptarse a historias de expansión no estándar cuando los datos lo demandan, evitando el "sesgo de plantilla" inherente a las búsquedas diseñadas por humanos.
• Los modelos deben interpretarse como descripciones fenomenológicas efectivas más que como teorías microfísicas; su importancia radica en mostrar cómo las propuestas fundamentadas en la literatura y el razonamiento basado en críticos pueden integrarse en una búsqueda reproducible de modelos efectivos.

Los autores se mantienen modestos, señalando que la preferencia estadística para estos modelos es selectiva (dependiente de las combinaciones de conjuntos de datos) y que el siguiente paso consiste en incorporar la estabilidad de las perturbaciones y los observables de crecimiento directamente en el objetivo de búsqueda.