Astrónomo del IFA-UV diseña una app tipo reconocimiento facial para descubrir nuevos tipos de estrellas

22 de mayo 2024

Se llama “neural network” y es un novedoso sistema de detección de estrellas que aplica inteligencia artificial y que fue diseñado por un equipo internacional de astrónomos con la colaboración del Dr. Zhen Guo del Instituto de Física y Astronomía de la Universidad de Valparaíso y liderados por Niall Miller junto a los estudiantes de postgrado Calum Morris y William Cooper de la Universidad de Hertfordshire de Reino Unido.

Basado en el programa computacional “machine learning” este nuevo programa permite cuantificar con increíble exactitud las señales de variación periódica de las estrellas de baja amplitud, lo que ayuda aún más a los astrónomos en estudiar la evolución estelar en la actual era de la astronomía en que se recepcionan muchos datos.

El Dr. Guo señaló que llevan dos años recolectando datos con el telescopio VISTA ubicado en el cerro Paranal en el desierto de Atacama y con este nuevo sistema han podido detectar diez mil estrellas con mejor precisión que el programa tradicional. “Estos enfoques tan claros de aprendizaje automático serán deseables en la era del telescopio Vera Rubin. Además, podemos demostrar que los resultados de este método son insensibles a los tipos detallados de estrellas periódicas, lo que significa que tendrá una aplicación más amplia en la ciencia estelar», comentó el astrónomo.

Este artículo ha sido publicado recientemente en la nueva revista científica Royal Astronomy Society Techniques and Instruments, centrada en ciencia de datos, software e instrumentación; y  los científicos informan que este nuevo código fuente ha sido entregado a la comunidad a través de plataformas en línea.

Un método para estudiar las estrellas

Las estrellas son los componentes fundamentales de nuestra galaxia. La mayoría de las estrellas tienen un nivel moderado de cambios en su brillo, normalmente sólo del orden de unos pocos porcentajes, debido a diferentes propiedades físicas estelares. El patrón más común de variación estelar son los cambios regulares y periódicos, como consecuencia del giro estelar, la rotación en un par de estrellas o incluso las pulsaciones de estos cuerpos celestes distantes. Al estudiar la variabilidad estelar, los astrónomos miden con precisión la edad, la masa, el estado evolutivo y muchas otras propiedades de la estrella. Una tarea clave en el estudio de la variación estelar regular es determinar la solidez de su periodicidad o, en otro sentido, qué tan «real» es el período detectado. Esto se cuantifica mediante un parámetro denominado “posibilidad de falsa alarma (FAP)”, que tradicionalmente se calcula comparando los patrones de variación estelar con curvas sinusoidales, y es difícil de aplicar a otro tipo de variaciones.

En la actualidad, los astrónomos han lanzado estudios a gran escala utilizando telescopios y satélites para investigar características estelares entre miles de millones de estrellas en nuestra propia galaxia y más allá. Un ejemplo de ello es el satélite Gaia que ya capturó los movimientos y la luminosidad de 2 mil millones de estrellas, y el número de estrellas a estudiar se multiplicará por 5 en el próximo observatorio Vera Rubin que iniciará su funcionamiento prontamente en el cerro Pachón con la cámara LSST más grande del mundo construida para la astronomía y la astrofísica. 

El volumen de datos de estas encuestas modernas ha excedido la capacidad de nuestros métodos de análisis tradicionales, y se desean enfoques de machine learning para estudiar una cantidad tan enorme de datos. Además, los astrónomos están superando sus límites para estudiar la variabilidad estelar en los intervalos de tiempo más pequeños con los detalles más finos, donde las soluciones sinusoidales tradicionales ya no son factibles.

Para obtener más información sobre esta investigación, visite el siguiente enlace: https://nialljmiller.com/projects/FAP/FAP.html y niallmiller.com.

El neural network puede identificar muchos tipos de estrellas variables.

This site is registered on wpml.org as a development site.