Cómo la Inteligencia Artificial está revolucionando la astronomía

Descubre cómo la IA transforma la astronomía: desde detectar supernovas raras antes que nadie hasta clasificar galaxias a gran escala. Casos reales, proyectos punteros y el futuro humano-IA del cosmos.

Imagina explorar los secretos del universo con la agilidad de una mente digital superpoderosa. Hoy, la Inteligencia Artificial (IA) ya no es ciencia ficción, sino una aliada fundamental de la astronomía moderna. En esta entrada, abordaremos sus aplicaciones, proyectos líderes y lo que nos depara un futuro hiperconectado.

La inteligencia artificial (IA) es una rama de la ciencia de computación que busca desarrollar sistemas y algoritmos que permitan a las máquinas realizar tareas que normalmente requieren de la inteligencia humana. El objetivo de la IA es emular la capacidad de aprendizaje, razonamiento, percepción, toma de decisiones y resolución de problemas que los seres humanos realizamos de forma natural. Es una inteligencia que no tiene consciencia de sí misma pero que es capar de razonar y resolver problemas complejos.

Existen diferentes enfoques y técnicas en la inteligencia artificial, pero uno de los más prominentes es el aprendizaje automático (machine learning), donde las máquinas son entrenadas con grandes conjuntos de datos para reconocer patrones y aprender a realizar tareas específicas sin una programación explícita.

La IA abarca un amplio espectro de aplicaciones y tecnologías, desde sistemas simples con reglas predefinidas hasta sistemas más complejos que utilizan redes neuronales y algoritmos avanzados de aprendizaje profundo.

Pero, ¿Cómo se entrena y trabaja con una IA? El proceso de entrenar a una IA para pensar y resolver problemas involucra varias etapas:

En primer lugar, se debe definir claramente el problema que se quiere resolver. Esto implica identificar el tipo de tarea que se busca abordar, como clasificación, predicción, generación de texto, entre otros. Para entrenar a una IA, se necesita un conjunto de datos relevante y representativo del problema que se quiere resolver. Estos datos deben estar etiquetados o anotados con las respuestas correctas para el aprendizaje supervisado. En el caso del aprendizaje no supervisado, los datos no requieren etiquetas, y en el aprendizaje por refuerzo, se necesita un entorno simulado para que la IA interactúe y aprenda a través de ensayo y error.

Antes de utilizar los datos para el entrenamiento, es necesario preprocesarlos. Esto incluye limpiar los datos, normalizarlos y transformarlos en un formato adecuado para que el algoritmo de aprendizaje automático pueda trabajar con ellos. Se selecciona el tipo de modelo de aprendizaje automático más adecuado para el problema en cuestión. Puede ser un modelo de regresión, una red neuronal, un clasificador, una máquina de soporte vectorial, entre otros.

El conjunto de datos se divide en datos de entrenamiento y datos de prueba o validación. Los datos de entrenamiento se utilizan para que el modelo aprenda y ajuste sus parámetros, mientras que los datos de prueba se utilizan para evaluar el rendimiento del modelo. Se procede a alimentar los datos de entrenamiento al modelo de aprendizaje automático. El modelo ajustará sus parámetros iterativamente en función de los datos y las respuestas correctas proporcionadas durante el entrenamiento.

Después del entrenamiento, se evalúa el rendimiento del modelo utilizando los datos de prueba o validación. Se pueden utilizar diversas métricas para medir la precisión, el error o la eficiencia del modelo. Si el rendimiento del modelo no es satisfactorio, es posible que se realicen ajustes en los hiperparámetros, el tamaño de la red, la arquitectura del modelo u otras configuraciones para mejorar su desempeño. Una vez que el modelo ha sido entrenado y evaluado satisfactoriamente, se puede poner en producción para resolver problemas en situaciones del mundo real.

En astronomía es una herramienta muy poderosa, que va a resolver muchísimos problemas complejos y avanzar en el conocimiento del cosmos, os dejo algunas de las aplicaciones que podemos aprovechar de la IA:

Detección temprana de supernovas raras

Un sistema basado en IA, llamado LAISS (Lightcurve Anomaly Identification and Similarity Search), detectó señales inusuales de una explosión estelar (la supernova SN 2023zkd), semanas antes de que estallara, permitiendo a observatorios preparar sus instrumentos para capturar cada segundo del evento. Esto abre una nueva era en el estudio de las estrellas masivas en colisión con agujeros negros.

Clasificación masiva de galaxias e imágenes

DeepDISC, desarrollado en la Universidad de Illinois, utiliza Deep Learning para distinguir estrellas de galaxias en imágenes del telescopio Subaru, con gran eficacia.
El aprendizaje profundo ha transformado varios cartografiados extragalácticos, acelerando tareas que habrían tomado décadas con ciencia ciudadana tradicional.
Herramientas que “limpian” imágenes astronómicas para extraer galaxias con una precisión de hasta el 98 %.
Se ha desarrollado un sistema de inteligencia artificial que puede clasificar decenas de miles de galaxias en unos pocos segundos, un proceso que puede llevar meses realizar manualmente. Los astrónomos clasifican las galaxias por su forma para comprender cómo se forman y evolucionan. Para poder hacerlo de forma rápida los investigadores han utilizado arquitecturas de redes neuronales convolucionales (CNN) para acelerar la tarea.
Las fortalezas clave de las técnicas de clasificación automatizadas residen en última instancia en su velocidad y capacidad para generalizar. Aunque entrenar una CNN puede ser una tarea computacionalmente costosa, la velocidad con la que puede clasificar las galaxias una vez entrenadas es órdenes de magnitud mayor de lo que podría ser posible con la clasificación manual.
El equipo desarrolló una arquitectura de CNN que supera a los modelos existentes en la clasificación de las morfologías de las galaxias en esquemas de 3 clases (elíptica, lenticular, espiral) y 4 clases de irregulares. Sus precisiones generales de clasificación fueron 83% y 81% respectivamente.

Con este nuevo estudio de inteligencia artificial se calcula que se podrán clasificar más de 100 millones de galaxias a diferentes distancias de la Tierra y en diferentes entornos. La técnica podría profundizar nuestra comprensión de cómo las galaxias se transforman con el tiempo e incluso podría arrojar luz sobre la naturaleza del propio universo.

Simulaciones, robots y educación espacial

La IA está simulando la formación de planetas o la evolución de galaxias, y modelando superficies planetarias para futuras misiones.
En robótica espacial, permite que rovers exploren Marte con mayor autonomía y eviten obstáculos por sí mismos.

Detección de exoplanetas y ondas gravitacionales

En la misión Kepler, una red neuronal ayudó a descubrir el exoplaneta Kepler-90i entre montañas de datos.
En la misión TESS, un sistema IA basado en ThetaRay identificó varios nuevos candidatos, reduciendo drásticamente el trabajo de filtrado humano.

Para la astronomía de ondas gravitacionales, el proyecto GWAI está diseñando una plataforma modular para acelerar el análisis de estos datos complejos.

Astrofísica de precisión en radioastronomía

Usando IA para super-resolución de imágenes en radioastronomía, se han obtenido detalles inéditos del entorno de la galaxia ESO 137-006, abriendo paso a nueva ciencia espacial.

Observatorios del futuro: Rubin + IA

El nuevo Observatorio Vera C. Rubin, con su cámara de 3.200 MP, genera más datos en un año que todos los telescopios ópticos juntos. La IA es fundamental para procesar y detectar fenómenos en tiempo real.

Comunidades, grupos y plataformas punteras:

• UniverseTBD (Harvard + ANU)

Proyecto que utiliza LLM (como GPT-4) para interactuar con más de 300 000 artículos astronómicos, diseñando un chat especializado en astronomía.

• Gravity Spy (CIERA / LIGO)

Combina inteligencia colectiva con ML para clasificar ruido e interferencias en datos de ondas gravitacionales.

• Zooniverse – Proyectos destacados de ciencia ciudadana con IA

Proyectos como Galaxy Zoo, Planet Hunters, Burst From Space, AI4Mars y muchos más, donde voluntarios entrenan modelos de IA al clasificar imágenes y datos astronómicos.

• MilkyWay@home (RPI)

Red de computación distribuida que aprovecha ordenadores voluntarios para simular flujos estelares en la Vía Láctea.

• IVOA (International Virtual Observatory Alliance)

Alianza internacional que estandariza el acceso y procesamiento de datos astronómicos para maximizar su interoperabilidad.

Hasta donde podemos llegar con la IA en astronomía es un campo en constante expansión. A medida que los algoritmos de aprendizaje automático se vuelvan más sofisticados y tengamos acceso a mayores conjuntos de datos, se espera que la IA siga desempeñando un papel fundamental en la resolución de preguntas astronómicas más complejas y en el descubrimiento de nuevos fenómenos cósmicos. Los algoritmos solo pueden hacer aquello para lo que han sido entrenados, es decir el sistema es «agnóstico» con respecto a la entrada. Al final, la supervisión de un científico humano sigue siendo esencial. Aunque la IA es una herramienta poderosa, siempre es necesaria la interpretación de astrónomos y científicos expertos para validar los resultados.

Enlaces recomendados:

Anuncios

CURIOSIDADES ASTRONÓMICAS "Divulgación de la Astronomía"