El aprendizaje automático ilumina el escenario celeste: detección de nuevos objetos entre la multitud cósmica
Nacidas de la fragmentación y el colapso gravitatorio de nubes moleculares, las estrellas se forman como cúmulos de objetos celestes que comparten una conexión cósmica. Esto plantea preguntas intrigantes: ¿Cómo se distribuye la masa dentro de estos cúmulos? ¿Las estrellas masivas coexisten en igual abundancia con sus homólogas de baja masa? ¿Y qué hay de las enigmáticas enanas marrones, diminutas entidades cósmicas que carecen del tamaño necesario para desencadenar la fusión de hidrógeno en sus núcleos? Para desentrañar estos enigmas cósmicos, es crucial contar las estrellas dentro de un cúmulo. Sin embargo, las numerosas estrellas de fondo y de primer plano que se entrecruzan en las representaciones astronómicas de estos cúmulos estelares dificultan este esfuerzo. Además, la misión espacial Gaia, aunque valiosa, no puede detectar los miembros más débiles de los cúmulos (enanas marrones), ni su detección de luz visible puede penetrar en el polvo que envuelve a los cúmulos estelares jóvenes.
Superar los retos con el aprendizaje automático
Aquí es donde interviene el proyecto financiado por la UE COSMIC-DANCE. «Medir el movimiento de las estrellas en el cielo es una tarea compleja, ya que sus minúsculos movimientos son comparables al tamaño angular de una moneda en lo alto de la Torre Eiffel vista desde Nueva York», señala Herve Bouy, coordinador del proyecto. «En lugar de esperar décadas a que las cámaras terrestres detecten estos movimientos, decidimos utilizar la gran cantidad de imágenes disponibles en los archivos astronómicos». Aprovechando el aprendizaje automático desde el principio, el equipo se enfrentó con éxito a la ingente tarea de procesar decenas de miles de imágenes astronómicas que suponen muchos terabytes de datos sin procesar. Para complicar las cosas, estas imágenes contenían con frecuencia diversos defectos, como píxeles muertos o saturados, impactos de rayos cósmicos y vetas de satélites. Dado el enorme tamaño del conjunto de datos, el equipo entrenó una red neuronal convolucional (un tipo de modelo de inteligencia artificial especializado en reconocer y comprender patrones visuales) para detectar defectos en las imágenes de forma no supervisada. «Entrenamos la red para buscar defectos en imágenes astronómicas en lugar de tareas artificiales comunes como identificar gatos o personas en Internet». Como resultado, el equipo identificó con éxito todos los píxeles o fotogramas problemáticos, extrayendo el máximo valor del conjunto de datos. Medir el movimiento de las estrellas era solo el primer reto. «Una vez medidos el movimiento, las luminosidades y los colores de decenas de millones de estrellas en nuestras imágenes, tuvimos que identificar a los pocos miles de miembros del cúmulo entre decenas de millones de estrellas no relacionadas. Desarrollamos nuevos métodos basados en el aprendizaje automático y la estadística bayesiana para identificar con precisión a todos los miembros de nuestro conjunto de datos multidimensionales», añade Bouy.
Misteriosos cuerpos celestes vagan como nómadas errantes
Uno de los resultados más emocionantes del proyecto fue el descubrimiento de entre 70 y 170 planetas en órbita libre. Estos objetos tienen la masa de un planeta pero no están ligados a ninguna estrella, sino que vagan libremente por la galaxia. Su existencia se conoce desde finales de la década de 1990 gracias a detecciones indirectas mediante microlentes, pero solo se habían obtenido imágenes directas de unas pocas. También se desconocía en gran medida su número exacto en un cúmulo determinado. «Por primera vez, hemos identificado con seguridad una gran muestra de planetas en órbita libre en una región de formación estelar, con importantes implicaciones para las teorías de formación estelar, formación de planetas y evolución temprana de planetas», señala Bouy.
La innovación basada en el aprendizaje automático sella el futuro de la astronomía
«Seguimos desarrollando nuestras herramientas informáticas para nuestra propia investigación y para cualquiera que esté interesado en utilizarlas (están disponibles públicamente en https://github.com/mpaillassa/MaxiMask [GitHub])», afirma Bouy. «Los impactos de rayos cósmicos son numerosos en el espacio y afectan a las observaciones obtenidas con las misiones espaciales. MaxiMask, la herramienta de inteligencia artificial para detectar defectos en imágenes, puede utilizarse eficazmente en misiones espaciales en curso o futuras, como la recientemente iniciada misión europea Euclid, el telescopio espacial Hubble o el telescopio James Webb. También será decisiva para los estudios terrestres afectados por las nuevas constelaciones de satélites de órbita baja (por ejemplo, Starlink), que perturban de forma considerable las observaciones astronómicas», concluye Bouy.
Palabras clave
COSMIC-DANCE, aprendizaje automático, cúmulos estelares, imágenes astronómicas, Gaia, red neuronal convolucional, estadística bayesiana
