Creo que es el deseo de varios de nosotros que a la selección sub-17 de Argentina (en realidad, solo a su arquero) se la trague un agujero negro, uno como el Messier 87* que fue noticia la semana pasada. ¿A qué me refiero? Al protagonista de la primera imagen que la humanidad posee de este fenómeno, el cual se encontraba en una fase hipotética hace no más de 50 años. Cabe resaltar la labor de la investigadora Katie Bouman detrás de esta hazaña. ¿Cómo lo hizo? Pensemos en un ejemplo. Imagina que estás en la Universidad del Pacífico (UP), y quieres observar, un aguaymanto pegado en la torre más alta de Universidad de Lima (sí, esa con el nuevo y polémico logotipo), a una Javier Prado de distancia. Tu celular (incluso si hubieras dado un riñón por un iPhoneX), no sería capaz de detectarla (por cuestiones de posición, calidad y momento). Sin embargo, si muchas personas (una cantidad razonable de 1 millón) deciden enfocar sus celulares al mismo punto, desde diferentes posiciones a lo largo de un periodo pactado de tiempo, tal vez, algunas logren documentar algún aspecto del objeto.
Pero, ¿qué tal si, aparte de juntar esfuerzos, juntamos las imágenes resultantes? Es decir, sincronizar el poder de todos los celulares en función al punto en cuestión. Eso es precisamente lo que Bouman y su equipo hicieron, sincronizar varios telescopios en observatorios astronómicos en diversas partes del mundo, procesar los petabytes (4 millones de bytes en total) de información particulares de cada uno, encontrar las similitudes en los datos recopilados (en este caso los datos trataban de la radiación emitida por el anillo del agujero negro), y construir una imagen a partir de ello. La foto borrosa que circula en redes (la de mejor calidad de todo el proyecto), no es una foto en un sentido estricto, es un recopilación final de la información provista por todos los telescopios.
Como hemos podido observar, un modelo individual (la imagen producida por un solo celular o telescopio) es insuficiente (así como lo fue ganarle a Uruguay) para explicar el fenómeno entero. Es necesario el uso de varios modelos con poderes explicativos distintos (resolución o duración de la grabación), para obtener el panorama más completo. Pero la clave de esto, no está únicamente en el hecho de usar varios modelos, sino en encontrar las relaciones entre estos, y procesar la información de acuerdo estas. Creo que esta idea no es tan extraña entre el público general (en particular para estudiantes de economía o alguna ciencia social). La teoría holística o el también conocido “holismo explicativo”- resumida en la frase : “el todo es más que la suma de sus partes-; es una aproximación para entender sistemas, problemas y escenarios complejos.
La ciencias naturales tienen una conocida tradición reduccionista, el juego trata muchas veces de encontrar el modelo individual más satisfactorio. Por ejemplo, los procesos en las células son estudiados como módulos independientes muchas veces, el dogma central de la biología molecular (ver imagen de abajo o el artículo de Univerzoom que hablo acerca de ello) es la máxima expresión de ello (dos procesos aparentemente independientes mediados por ARN). Usualmente, un modelo científico basa su poder de explicación en su capacidad de responder a estas preguntas: ¿en qué consiste el fenómeno? ¿en qué condiciones (cuándo) ocurre el fenómeno? ¿cuáles son los principios, patrones y/o mecanismos físicos de este fenómeno? ¿cómo manipular y reproducir el fenómeno? Mientras más entendimiento generan los modelos, más explicativos son.
Sin embargo, si un modelo está explicando la respuesta a una pregunta en particular, muchas veces lo hace a costa de no poder responder las otras preguntas. Ejemplos en las ciencias naturales abundan. Uno de los mejores abarca los modelos de potencial de acción en la neuronas, que son los cambios eléctricos en estas que permiten transmitir un impulso nervioso y por, ende, que las células se comuniquen entre ellas (ver bonita y simple imagen de abajo). Un modelo que trate de ver las estructuras y causas que subyacen a este potencial de acción en particular, dejaría de lado el estudio de otras células (musculares, por ejemplo) con otra morfologías o propiedades que tendrían el mismo comportamiento en su potencial. A su vez, un modelo que tratase de generalizar el potencial de acción a lo largo de las células, es decir, una abstracción de los patrones y principios de este proceso, tendría que omitir necesariamente el examen de las estructuras y mecanismos para encajar este modelo generalizado. Es por este motivo, que muchos de los que hayamos llevado cursos de fisiología recordaremos como más familiar un potencial de acción en una neurona, que los potenciales de acción en el corazón o de los músculos locomotores. Entonces, un modelo que busque la explicación generalizada de un proceso, necesariamente tiene que fallar al tratar de explicar cuestiones específicas.
Entonces, podríamos pensar que existen preguntas prioritarias por responder (es decir, tal vez el porqué vale más que el cómo). Sin embargo, los sistemas en la naturaleza no solo son complejos, son también dinámicos: cambian con el tiempo. No estamos estudiando un solo escenario, como un potencial de acción. Estamos estudiando diversos escenarios en función del tiempo. El área de las ciencias naturales que estudia de manera más evidente un sistema dinámico es la ecología. Un ecosistema no solo está compuesto de tierra, plantas, animales y clima. Está compuesto también de las relaciones entre estos, y de las relaciones causales en el comportamiento, diversidad y abundancia entre un factor y otro. Si los principios que rigen a un ecosistema no se mantienen en el tiempo, ¿por qué se crean si es que la existencia de nuevo escenario temporal “b” se antecede de otro escenario temporal “a”?
¿Cómo determinamos qué cuestión es más importante de resolver aquí? ¿Cuál es el mejor modelo? Responder estas preguntas presupone que un modelo individual puede tener un gran poder representativo en la realidad (lo cual no es así muchas veces). Más bien, deberíamos enfocarnos en generar redes de modelos, identificar entre preguntas similares, respuestas que puedan interconectarse unas con otras, ya sea de manera causal, temporal, entre otras. Al fin y al cabo, una visión mecanicista y reduccionista es mucho más vulnerable a destruirse conforme hallazgos y nuevas tecnologías comienzan a surgir en este siglo.
P.D: Katie Bouman en una charla de TED en el 2017 describió el método para poder obtener la imagen de una agujero negro, dijo que en poco más de dos años podría estar lista; dicho y hecho, fue publicada la semana pasada, antes de cumplirse su plazo estimado.
Editado por:
Daniela Cáceres