La teoría de la información puede ayudarnos a buscar vida en mundos alienígenas

Pocas preguntas son más intrigantes que la posibilidad de vida en otras partes del universo. Pero dado que los extraterrestres no visitan nuestro planeta y no iremos a sus hogares lejanos en el corto plazo, la evidencia indirecta de la existencia de la biología en mundos distantes es nuestra mejor apuesta para obtener respuestas.

El problema es que los planetas y las lunas no sólo son mucho más pequeños, sino también mucho más tenues que sus estrellas anfitrionas, lo que hace que su observación directa sea extremadamente desafiante. Afortunadamente, los astrónomos creativos han métodos de observación ideados que detecta planetas orbitando estrellas distantes en nuestra costa cósmica y, sorprendentemente, para obtener la composición química aproximada de sus atmósferas. Ahí es donde entra la vida: si existe vida a escala global en un planeta, puede dejar señales en la atmósfera. Al igual que las huellas dactilares, diferentes tipos de actividad biológica dejarán huellas atmosféricas específicas. Esto lo vemos, por ejemplo, con la abundancia de oxígeno en nuestra atmósfera producida por la fotosíntesis. El desafío para nosotros es descifrar el mensaje que deja la vida en atmósferas extraterrestres.

Para ello se necesitarán telescopios potentes, pero también nuevas formas de pensar sobre cómo decodificar la información oculta en la luz que capturan de mundos alienígenas. Proponemos que la teoría de la información en la que ahora confiamos para separar señales del ruido en las comunicaciones modernas ofrece herramientas que los astrónomos pueden utilizar para detectar signos de actividad biológica en otros mundos. El enfoque se produce en dos pasos: después de capturar la luz del exoplaneta, utilizamos la teoría de la información para buscar sustancias químicas asociadas con la presencia de vida. Lo que en las comunicaciones son letras de un alfabeto que forman una frase, en astrobiología serán sustancias químicas específicas que existen en la atmósfera de un mundo lejano.

Hoy en día, la mejor manera de inferir la composición química de un exoplaneta es espectroscopia de tránsito: Cuando un planeta pasa frente a su estrella, visto desde la Tierra, la atmósfera del planeta absorbe parte de su luz estelar. El espectro de absorción resultante se parece un poco al perfil de una cadena montañosa irregular, con los valles correspondientes a diferentes elementos químicos que absorben la luz proveniente de la estrella. De esto podemos deducir en principio si allí existe algún tipo de actividad biológica.

Si sabemos buscarlo, claro está. Las cosas suenan muy prometedoras, hasta que empezamos a hacer preguntas más difíciles. Para empezar, asumimos que estas biofirmas son para la vida tal como la conocemos aquí en la Tierra. Quizás este sea un buen punto de partida, pero ¿cómo podemos estar seguros de que esto es lo que encontraremos? Aun así, ¿qué tipo de biofirmas atmosféricas deberíamos buscar? Además, si buscamos algún tipo de planeta parecido a la Tierra, ¿en qué etapa de su historia evolutiva lo estamos detectando? La vida ha cambiado drásticamente la atmósfera de la Tierra desde que surgió por primera vez hace 3.500 millones de años. Un astrónomo extraterrestre que nos observara en diferentes momentos geológicos notaría cambios radicales. En ese lapso de tiempo, la vida ha aumentado enormemente el oxígeno y el ozono atmosféricos de la Tierra, además de provocar fluctuaciones en el metano. Finalmente, las estrellas anfitrionas tienen varios tamaños y temperaturas y se transformarán a lo largo de su existencia. Las diferentes estrellas anfitrionas (desde las amarillas calientes hasta las rojas más frías) en diferentes etapas de su ciclo de vida afectan a sus planetas de manera diferente.

Por todas estas razones, necesitamos invocar múltiples métodos para buscar señales de vida en la atmósfera de otros mundos. En un artículo reciente, propusimos la teoría de la información—una metodología para decodificar señales de ruido en transmisiones de datos de cualquier tipo—como una de esas herramientas clave. El análisis comparó los datos espectrales de exoplanetas simulados con los de nuestra propia Tierra en una amplia gama de contextos astrofísicos y planetarios: en diferentes etapas de su evolución y orbitando alrededor de diferentes estrellas anfitrionas. Los resultados sugieren que nuestra herramienta puede analizar de manera confiable datos reales de observaciones actuales y futuras para buscar firmas biológicas extraterrestres. La medida que adaptamos de la teoría de la información, conocida como la divergencia de Jensen-Shannon, compara directamente dos espectros de absorción cualesquiera y cuantifica qué tan parecidos (o no) son. Este “entropía configuracionalEsta medida es un excelente discriminador de variaciones sutiles en los patrones espectrales de un planeta. Un valor pequeño significa que los dos mundos comparados tienen composiciones atmosféricas generales muy similares; uno grande significa que son bastante diferentes. Luego utilizamos una herramienta de diagnóstico más precisa para calcular la entropía configuracional para una selección de longitudes de onda de luz específicas, las regiones del espectro electromagnético donde las “firmas espectrales” (los valles en la cadena montañosa de ciertas sustancias) se ven más fácilmente. Con esto podemos Concéntrese en compuestos específicoscomo CO2 o metano, o dos compuestos que aparecen juntos, como el metano y el ozono, y comparar directamente sus abundancias en los dos mundos.

Para nosotros, un exoplaneta es un “análogo de la tierra”no sólo cuando tiene un radio y una masa cercanos a los de la Tierra, sino también cuando su espectro de absorción está muy cerca en el espacio de información del de la Tierra a lo largo de los miles de millones de años de historia de nuestro planeta. Esto amplía el concepto de “Tierra como”ampliamente utilizado en astrobiología para mirar más allá del estado actual de nuestra biosfera, hacia su pasado distante (y posible futuro), cuando las huellas globales de la vida pueden ser muy diferentes. Consideramos la Tierra durante tres etapas de su evolución, desde justo después del Gran Evento de Oxidación hace aproximadamente dos mil millones de años, con casi nada de oxígeno en la atmósfera y pequeñas cantidades en los océanos y las rocas del fondo marino, hasta hace 800 millones de años, cuando el oxígeno estaba en aproximadamente 10 por ciento hasta, finalmente, cantidades modernas del 21 por ciento.

La medida de información que proponemos puede discriminar entre mundos en función de sus firmas espectroscópicas. Aún debemos tener cuidado, porque la edad de un planeta y su tipo de estrella aún pueden confundir nuestra búsqueda de biofirmas que coincidan estrechamente. Para identificar con seguridad análogos de la Tierra necesitamos encontrar exoplanetas que orbiten estrellas como nuestro sol. Pero esperamos que la vida sea más creativa de lo que suponemos actualmente según lo que vemos en la Tierra.

Cuando comparamos las firmas espectrales de compuestos químicos específicos de la Tierra moderna con las de planetas similares a la Tierra que orbitan alrededor de diferentes estrellas anfitrionas, encontramos que nuestro método es muy adecuado para identificar qué podría atribuirse a la actividad biológica y cómo cambia a lo largo de los eones. La precisión depende, por supuesto, de cuán limpios (o de “bajo ruido”) sean los espectros, pero incluso dentro de Capacidades de JWST, Los resultados son muy prometedores. Además, nuestra medida de información se puede aplicar como base de comparación a cualquier tipo de mundo, no sólo a los análogos de la Tierra. Esto significa que posiblemente podríamos identificar variedades verdaderamente extrañas de actividad biológica que no se ajustan a lo que vemos en la Tierra, por ejemplo, señalando su química atmosférica asociada como algo inusual. Esa apertura y flexibilidad son vitales en nuestra búsqueda de la vida tal como la conocemos y de la vida tal como no la conocemos.

Puede que todavía no sepamos si estamos solos en el cosmos, pero si hay vida escondida en otro lugar, deberíamos poder encontrarla pronto.

Este es un artículo de opinión y análisis, y las opiniones expresadas por el autor o autores no son necesariamente las de Científico americano.

You missed

Conozca Nemotron Labs 3 Puzzle 75B A9B: un LLM MoE híbrido comprimido que ofrece un rendimiento de servidor 2,03x[0]Los modelos MoE híbridos grandes como Nemotron-3-Super son precisos pero costosos de mantener. Sus parámetros activos, caché KV y estado de Mamba limitan la cantidad de usuarios que puede contener un nodo a una determinada tasa de token por usuario. El equipo de IA de NVIDIA lanzó Nemotron-Labs-3-Puzzle-75B-A9B, una variante comprimida de Nemotron-3-Super. El modelo principal tiene 120,7 mil millones de parámetros totales y 12,8 mil millones activos. El modelo comprimido tiene 75,3 mil millones de parámetros totales y 9,3 mil millones de parámetros activos. El objetivo de implementación se solucionó antes de que comenzara la búsqueda de arquitectura. El objetivo uno era duplicar el rendimiento del servidor a 100 tokens por segundo por usuario. El objetivo dos eran 8 solicitudes simultáneas de 1 millón de tokens en un solo H100. Tres puntos de control en Hugging Face: BF16, FP8 y NVFP4. TL;DR Los 120,7B/12,8B activos se comprimen a 75,3B/9,3B activos, conservando el diseño híbrido de 88 bloques. El rendimiento total de 8xB200 aumenta de 1,60x a 2,14x con respecto a Super con NVFP4 coincidente y rendimiento de usuario coincidente. La simultaneidad de un solo token H100 de 1 millón va de 1 a 8, impulsada por una caída de peso de 70 GB a 44,5 GB. El rompecabezas iterativo supera al rompecabezas de un solo paso en 0,57 puntos promedio en el mismo objetivo de compresión. Arena-Hard-V2 (-4,2) y SWE-Bench (-2,6) son los costes reales; RULER y AA-LCR apenas se mueven. Nemotron-Labs-3-Puzzle-75B-A9B Nemotron-3-Super es un modelo híbrido Mamba-Transformer MoE. Puzzle-75B-A9B conserva exactamente el diseño del bloque principal. Tiene 88 bloques: 40 Mamba, 40 MoE y 8 bloques de atención. Lo que cambió es la capacidad dentro de esos bloques: CantidadSuperPuzzle-75B-A9BRatioParámetros totales120.7B75.3B62.4%Parámetros activos12.8B9.3B73.1%Tamaño de estado de Mamba SSM1289675%Tamaño intermedio experto enrutado MoE26881280-2688Media 59.9%Expertos enrutados activados por token224-18Media 50%Capacidad experta enrutada activa (relativo)100%8,7%-62,3%Media 30,9% El número de expertos enrutados, el tamaño de expertos compartido y el tamaño latente del MoE no cambian. Las capas de atención quedaron intactas. La razón declarada por la investigación propuesta es que Nemotron-3-Super ya es muy eficiente en cuanto a caché KV. Las capas de Mamba se podaron de manera uniforme, porque los marcos de inferencia no admiten un tamaño de estado SSM diferente por capa. https://arxiv.org/pdf/2607.04371 El resultado no es un profesor uniformemente reducido. La figura anterior muestra la asignación en profundidad. Puzzle conservó la capacidad en capas intermedias y tardías seleccionadas, y cortó con fuerza en otras partes. Punto de referencia y rendimiento La siguiente tabla informa el rendimiento total óptimo de Pareto en un único nodo 8xB200, con decodificación en un solo paso. Escenario (entrada/salida)Piso UTSuper (tok/s)Puzzle-75B-A9B (tok/s)Boost50K / 2K>= 1005,1288,2101.60x50K / 2K>= 1253,7846,4121.69x50K / 2K>= 1502,5324,5231.79x8K / 64K>= 10020,93942,6012.03x8K / 64K>= 12513,07427,9182.14x8K / 64K>= 1508,52218,0472.12x Ambos modelos se entregaron con pesos NVFP4 coincidentes, caché FP8 KV y estado Mamba FP16. Por lo tanto, la brecha refleja compresión, no un cambio en el formato numérico. El régimen 50K/2K con precarga pesada es el que menos gana. El régimen 8K/64K con gran decodificación es el que más gana. En un solo nodo 8xH100 en UT = 100, las ganancias son menores. Son 1,91x en 50K/2K y 1,82x en 8K/64K. Ambos modelos utilizan pesos FP8, caché FP8 KV y estado FP32 Mamba. En un único H100 en un contexto de 1M, la restricción de enlace pasa de la computación a la memoria. Los pesos NVFP4 de Super ocupan alrededor de 70 GB del presupuesto de 80 GB de HBM. Cada solicitud de token de 1 millón agrega aproximadamente 4 GB de caché KV. Por tanto, la concurrencia efectiva es 1. El peso NVFP4 del Puzzle-75B-A9B ocupa alrededor de 44,5 GB. El diseño de atención no cambia, por lo que el costo de KV por solicitud no cambia. La simultaneidad en 1M aumenta a 8. El rendimiento de decodificación agregado en esa simultaneidad es aproximadamente 4 veces el rendimiento de solicitud única de Super. El llenado previo de una solicitud de 990 000 tokens es aproximadamente 1,2 veces más rápido. Cómo funciona el rompecabezas iterativo Puzzle es un marco de búsqueda de arquitectura neuronal descompuesta, implementado aquí como Puzzletron. Define un espacio de búsqueda discreto de implementaciones de capas alternativas. Cada alternativa obtiene una puntuación de calidad. Luego, un programa de enteros mixtos selecciona una alternativa por capa bajo una restricción de implementación. Tres técnicas de poda forman el espacio de búsqueda: Poda de canales intermedios: los canales dentro de cada experto enrutado se clasifican según su contribución a la salida del experto. Todos los expertos dentro de una capa MoE se reducen a un tamaño uniforme para lograr compatibilidad con el kernel. Reducción de top-k: la cantidad de expertos a los que se enruta un token varía según la capa, hasta el k = 22 del padre. Poda de Mamba SSM: el tamaño del estado de SSM cae de 128 a 96 canales. Se mide el resultado del SSM. Bajar 128 canales a 96 acelera el kernel SSM de 1,2x a 1,3x durante la decodificación. Esto se mantiene en tamaños de lote entre 8 y 512. Los canales se clasificaron según su contribución estimada a la producción de la capa Mamba. La estimación promedió más de 67 millones de tokens de datos de validación. El Apéndice A muestra que esto supera la selección aleatoria de canales bajo una poda agresiva. La formulación original asume que los impactos en la calidad del reemplazo son aproximadamente aditivos. Cada bloque candidato se puntúa dentro del padre no modificado. Eso ignora las interacciones de orden superior entre reemplazos. Iterative Puzzle alterna la compresión limitada con una breve recuperación de destilación de conocimientos. Construye una secuencia M0, M1,… MR en lugar de saltar al objetivo. Las puntuaciones se vuelven a calcular con respecto al modelo comprimido actual, no al modelo original. Se utilizaron tres etapas: El Ministerio de Educación pondera el 75% de la capacidad docente, el estado de Mamba SSM el 75%. Curado por 24 mil millones de fichas. El Ministerio de Educación pondera el 60% de la capacidad docente. Curado por 43,2 mil millones de tokens. Se activó el presupuesto de expertos encaminado al 50%, asignado de forma heterogénea. Curado por 52,8 mil millones de tokens. https://arxiv.org/pdf/2607.04371 La tabla anterior compara esto con una línea base de Puzzle de un solo paso en el mismo objetivo. El procedimiento de tres pasos tiene un promedio de 69,05 en diez puntos de referencia, frente a 68,48. Las ganancias aparecen en MMLU-Pro, GPQA, HLE, AA-LCR, LiveCodeBench, SciCode y RULER-256K. IFBench-Instruction cayó 0,2 puntos y IFBench-Prompt cayó 0,5. Recuperación: destilación, RL y verbosidad La destilación de conocimientos se ejecutó con un 30 % de datos de preentrenamiento y un 70 % de datos SFT de Nemotron-3-Nano. Durante la fase de rompecabezas, KD utilizó una secuencia de 32K de longitud. Luego, Recovery entrenó a 128K y escaló a 512K. El presupuesto era de hasta 100 mil millones de tokens, con un lote global de 16 millones de tokens, en Megatron-LM. La capacitación posterior de RL adoptó la Etapa 2 del proceso Nemotron-3-Super RL, centrada en la ingeniería de software. La fase 2.1 realizó una comparación del uso de herramientas en un solo paso. La fase 2.2 pasó a la zona de pruebas RL de extremo a extremo, donde los agentes corren hasta 200 turnos. Ambas fases utilizaron una penalización de KL de 0. El equipo barrió las tasas de aprendizaje y luego promedió los pesos resultantes. https://arxiv.org/pdf/2607.04371 La Figura 4 anterior muestra lo que aportó cada etapa. KD de contexto corto recupera la mayoría de las categorías a más del 97% de Nemotron-3-Super. Luego, KD de contexto largo eleva específicamente los puntos de referencia de entrada larga y de generación larga. El equipo de investigación afirma que el impacto de RL en estos experimentos fue pequeño. La verbosidad es el detalle silencioso. Después de la última iteración de Puzzle, el modelo generó el 132% del recuento de tokens de Super. Eso cayó al 99% después del proceso de recuperación total. Implementación: cuantificación y predicción de tokens múltiples Se produjeron dos recetas de cuantificación posteriores al entrenamiento: FP8 W8A8 apunta a Hopper y NVFP4 W4A4 apunta a Blackwell. Componente Línea base BF16 Punto de control FP8 Punto de control NVFP4 GEMM MoE dispersos y compartidos BF16FP8NVFP4 Mamba GEMM BF16FP8FP8 Mamba Caché SSM FP32FP32FP16 + Caché SRKV FP8FP8FP8 Enrutador FP32FP32FP32 Atención QKV/salida, proyecciones latentes MoE, LM cabezaBF16BF16BF16 Ambas recetas se calibraron en 256 muestras SFT posteriores al entrenamiento. NVFP4 utilizó la calibración máxima, no la búsqueda de sensibilidad AutoQuantize utilizada para Super. El punto de control resultante se cuantifica de forma ligeramente más agresiva y se realiza de manera similar. NVFP4 no es compatible de forma nativa con Hopper. Todavía se utiliza para el objetivo H100 de contexto 1M, porque la capacidad de HBM se vincula allí. Puzzle-75B-A9B hereda un cabezal MTP compartido de Super. Los parámetros se comparten entre los pasos de MTP, por lo que un cabezal se aplica de forma recursiva en la inferencia. La transferencia directa de la cabeza entrenada de Super dio longitudes de aceptación similares. Luego, el equipo de investigación identifica una discrepancia entre el entrenamiento y la inferencia. El entrenamiento MTP forzado por el maestro alimenta la secuencia completa de estados ocultos desplazados. En cambio, la redacción autorregresiva alimenta una combinación de modelos de destino y estados ocultos generados por MTP. Las tasas de aceptación caen en posiciones de draft más profundas. Esto se soluciona mediante una formación continua de la cabeza transferida. En SPEED-Bench con una longitud de calado 7, la longitud media de aceptación aumentó de 3,45 a 4,34. Eso es aproximadamente entre el 25% y el 30%, concentrado en puestos posteriores del draft. A diferencia de Super, el punto de control NVFP4 apenas se degrada: 4,31 frente a 4,34. Dónde ayuda la compresión y dónde duele Benchmark (BF16)SuperPuzzle-75B-A9BDeltaMMLU-Pro83.882.4-1.4AIME25 (sin herramientas)92.289.7-2.5GPQA (sin herramientas)80.578.6-1.9LiveCodeBench82.181.1-1.0SciCode (subtarea)42.340.6-1.7SWE-Bench (OpenHands)59.556.9-2.6Arena-Hard-V272.868.6-4.2AA-LCR56.856.9+0.1REGLA 1M93.992.2-1.7MMLU-ProX79.577.5-2.0 El propio resumen del artículo de investigación es que el seguimiento de instrucciones y las evaluaciones agentes son las que más pierden. Arena-Hard-V2 es el peor de los casos, con -4,2 puntos. RULER se mantiene dentro de aproximadamente 1 a 2 puntos en 256K, 512K y 1M. Tres resultados de BF16 no retroceden. AA-LCR gana 0,1, Scale AI Multi-Challenge empata en 56,6 y TauBench Telecom gana 0,4. NVFP4 cuesta poco además de la compresión. En RULER 1M, el punto de control NVFP4 obtiene una puntuación de 93,2, por encima del 92,2 de BF16. HLE es el costo de NVFP4 más claro, cayendo de 16,5 a 15,7. Los resultados del 8PM se encuentran en el Apéndice E y siguen de cerca al BF16. SWE-Bench no está incluido en el punto de control del 8PM. Casos de uso RAG de contexto ultralargo en una GPU: un servicio de análisis de documentos en un contexto de 1 millón pasa de 1 solicitud simultánea a 8. El rendimiento de decodificación agregado en esa concurrencia es aproximadamente 4 veces mayor. Asistentes de codificación interactivos: en UT >= 100 tok/s en el régimen 8K/64K, un nodo sirve 2,03 veces los tokens. Ajustado por detalle, es decir, 2,16 veces las solicitudes completadas por minuto. Canalizaciones de documentos con gran cantidad de precarga: el régimen de 50.000/2.000 gana solo 1,60 veces. La compresión ayuda menos cuando el procesamiento rápido domina la computación. Bucles SWE agentes: verifique la brecha SWE-Bench de 2,6 puntos con su combinación de tareas. La recuperación de RL apuntó a esta capacidad y solo la restauró parcialmente. Explorador de implementación ‘+esc(r