Los astrónomos recurren cada vez más a la IA para desarrollar nuevas herramientas para su investigación.
A continuación se describen 4 beneficios clave del aprendizaje automático.
La IA será una herramienta vital para los astrónomos a medida que realicen estudios más profundos del universo durante la próxima década.
La astronomía se basa por completo en los datos. El universo es cada vez más grande, y también lo es la cantidad de información que tenemos sobre él. Pero algunos de los mayores desafíos de la próxima generación de la astronomía radican precisamente en cómo vamos a estudiar todos los datos que estamos recopilando.
Para afrontar estos desafíos, los astrónomos recurren al aprendizaje automático y a la inteligencia artificial (IA) para desarrollar nuevas herramientas que permitan buscar con rapidez los próximos grandes avances. A continuación se presentan cuatro formas en que la IA ayuda a los astrónomos.
1. La caza de planetas
Hay algunas formas de encontrar un planeta, pero la más exitosa ha sido mediante el estudio de los tránsitos. Cuando un exoplaneta pasa frente a su estrella madre, bloquea parte de la luz que podemos ver.
Al observar muchas órbitas de un exoplaneta, los astrónomos construyen una imagen de las disminuciones de luz, que pueden utilizar para identificar las propiedades del planeta, como su masa, su tamaño y su distancia a la estrella. El telescopio espacial Kepler de la NASA empleó esta técnica con gran éxito, al observar miles de estrellas a la vez y estar atento a las señales reveladoras de disminución de luz causadas por los planetas.
Los seres humanos somos bastante buenos para detectar estas disminuciones de luz, pero es una habilidad que requiere tiempo para desarrollarse. Con más misiones dedicadas a encontrar nuevos exoplanetas, como el satélite de la NASA (Transiting Exoplanet Survey Satellite), los humanos simplemente no pueden seguir el ritmo. Aquí es donde entra la IA.
Las técnicas de análisis de series temporales, que analizan los datos como una secuencia en el tiempo, se han combinado con un tipo de IA para identificar con éxito las señales de exoplanetas con una precisión de hasta un 96 %.
2. Ondas gravitacionales
Los modelos de series temporales no solo son excelentes para encontrar exoplanetas, sino que también son perfectos para detectar las señales de los eventos más catastróficos del universo: las fusiones entre agujeros negros y estrellas de neutrones.
Cuando estos cuerpos increíblemente densos caen hacia el interior, emiten ondulaciones en el espacio-tiempo que pueden detectarse mediante la medición de señales débiles aquí en la Tierra. Las colaboraciones de detectores de ondas gravitacionales LIGO y Virgo han identificado las señales de decenas de estos eventos, todo ello con la ayuda del aprendizaje automático.
Al entrenar modelos con datos simulados de fusiones de agujeros negros, los equipos de LIGO y Virgo pueden identificar posibles eventos en cuestión de instantes desde que ocurren y enviar alertas a astrónomos de todo el mundo para que orienten sus telescopios en la dirección correcta.
3. El cielo cambiante
Cuando el Observatorio Vera Rubin, que actualmente se construye en Chile, entre en funcionamiento, realizará un sondeo de todo el cielo nocturno cada noche, recopilando más de 80 terabytes de imágenes de una sola vez, para observar cómo varían con el tiempo las estrellas y las galaxias del universo. Un terabyte equivale a 8 000 000 000 000 bits.
A lo largo de las operaciones previstas, el Legado de Estudio del Espacio y el Tiempo que llevará a cabo Rubin recopilará y procesará cientos de petabytes de datos. Para ponerlo en contexto, 100 petabytes equivalen aproximadamente al espacio necesario para almacenar todas las fotos de Facebook, o unos 700 años de vídeo en alta definición completa.
No será posible simplemente conectarse a los servidores y descargar esos datos, y aunque se hiciera, no se podría encontrar lo que se busca.
Se utilizarán técnicas de aprendizaje automático para explorar estos sondeos de nueva generación y destacar los datos importantes. Por ejemplo, un algoritmo podría buscar en las imágenes eventos poco frecuentes, como las supernovas (explosiones espectaculares al final de la vida de una estrella), mientras que otro podría estar atento a los cuásares. Al entrenar a los ordenadores para reconocer las señales de determinados fenómenos astronómicos, el equipo podrá hacer llegar los datos correctos a las personas adecuadas.
4. Lentes gravitacionales
A medida que recopilamos más y más datos sobre el universo, a veces incluso tenemos que seleccionar y descartar datos que no son útiles. Entonces, ¿cómo podemos encontrar los objetos más raros en estas enormes cantidades de datos?
Un fenómeno celeste que entusiasma a muchos astrónomos es las lentes gravitacionales fuertes. Esto ocurre cuando dos galaxias se alinean a lo largo de nuestra línea de visión y la gravedad de la galaxia más cercana actúa como una lente que amplía el objeto más distante, generando anillos, cruces e imágenes dobles.
Encontrar estas lentes es como buscar una aguja en un pajar: un pajar del tamaño del universo observable. Es una búsqueda que solo se volverá más difícil a medida que recopilemos más y más imágenes de galaxias.
En 2018, astrónomos de todo el mundo participaron en el Strong Gravitational Lens Finding Challenge, en el que competían para ver quién podía desarrollar el mejor algoritmo para encontrar estas lentes de forma automática.
El ganador de este desafío utilizó un modelo denominado red neuronal convolucional, que aprende a descomponer las imágenes mediante distintos filtros hasta poder clasificarlas según contengan o no una lente. Sorprendentemente, estos modelos fueron incluso mejores que las personas, al detectar diferencias sutiles en las imágenes que a los seres humanos nos cuesta advertir.
Durante la próxima década, con nuevos instrumentos como el Observatorio Vera Rubin, los astrónomos recopilarán petabytes de datos, es decir, miles de terabytes. A medida que observemos más profundamente el universo, la investigación de los astrónomos dependerá cada vez más de las técnicas de aprendizaje automático.
