Actualizado 23/11/2022 17:45

Un algoritmo clasifica automáticamente mil supernovas

El área en blanco en la parte inferior derecha representa regiones en los cielos del sur que no se pueden ver desde Palomar Mountain.
El área en blanco en la parte inferior derecha representa regiones en los cielos del sur que no se pueden ver desde Palomar Mountain. - CALTECH

   MADRID, 23 Nov. (EUROPA PRESS) -

   Astrónomos de Caltech han utilizado un algoritmo de aprendizaje automático para clasificar 1.000 supernovas de forma totalmente autónoma.

   El algoritmo se aplicó a los datos capturados por Zwicky Transient Facility, o ZTF, un instrumento de estudio del cielo basado en el Observatorio Palomar de Caltech.

   "Necesitábamos una mano amiga, y sabíamos que una vez que entrenáramos a nuestras computadoras para hacer el trabajo, nos quitarían un gran peso de encima", dice en un comunicado Christoffer Fremling, astrónomo del personal de Caltech y el autor intelectual detrás del nuevo algoritmo, apodado SNIpuntuación. "SNIascore clasificó su primera supernova en abril de 2021 y, un año y medio después, estamos alcanzando un buen hito de 1.000 supernovas".

   ZTF escanea los cielos nocturnos todas las noches para buscar cambios llamados eventos transitorios. Esto incluye todo, desde asteroides en movimiento hasta agujeros negros que acaban de comer estrellas y estrellas en explosión conocidas como supernovas. ZTF envía cientos de miles de alertas por noche a los astrónomos de todo el mundo, notificándoles estos eventos transitorios. Luego, los astrónomos usan otros telescopios para seguir e investigar la naturaleza de los objetos cambiantes. Hasta ahora, los datos de ZTF han llevado al descubrimiento de miles de supernovas.

   Pero con cantidades incesantes de datos que llegan todas las noches, los miembros del equipo de ZTF no pueden clasificar todos los datos por sí mismos.

   "La noción tradicional de un astrónomo sentado en el observatorio y filtrando las imágenes del telescopio conlleva mucho romanticismo, pero se está alejando de la realidad", dice Matthew Graham, científico del proyecto para ZTF y profesor de investigación de astronomía en Caltech.

   En cambio, el equipo ha desarrollado algoritmos de aprendizaje automático para ayudar en las búsquedas. Desarrollaron SNIascore para la tarea de clasificar supernovas candidatas. Las supernovas se dividen en dos grandes clases: Tipo I y Tipo II. Las supernovas de Tipo I carecen de hidrógeno, mientras que las supernovas de Tipo II son ricas en hidrógeno. La supernova Tipo I más común ocurre cuando una estrella masiva roba materia de una estrella vecina, lo que desencadena una explosión termonuclear. Una supernova Tipo II ocurre cuando una estrella masiva colapsa bajo su propia gravedad.

   Actualmente, SNIascore puede clasificar lo que se conoce como supernovas Tipo Ia, o las "velas estándar" en el cielo. Estas son estrellas moribundas que explotan con una explosión termonuclear de una fuerza constante. Las supernovas de tipo Ia permiten a los astrónomos medir la tasa de expansión del universo. Fremling y sus colegas están trabajando actualmente para ampliar las capacidades del algoritmo para clasificar otros tipos de supernovas en un futuro próximo.

   Todas las noches, después de que ZTF haya capturado destellos en el cielo que podrían ser supernovas, envía los datos a un espectrógrafo en Palomar que se encuentra en un domo a solo unos cientos de metros de distancia, llamado SEDM (Máquina de distribución de energía espectral). SNIascore trabaja con SEDM para luego clasificar qué supernovas son probablemente de Tipo Ia. El resultado es que el equipo de ZTF está construyendo rápidamente un conjunto de datos de supernovas más confiable para que los astrónomos investiguen más y, en última instancia, aprendan sobre la física de las poderosas explosiones estelares.

   "SNIascore es notablemente preciso. Después de 1.000 supernovas, hemos visto cómo funciona el algoritmo en el mundo real", dice Fremling. "No hemos encontrado eventos claramente mal clasificados desde el lanzamiento en abril de 2021, y ahora estamos planeando implementar el mismo algoritmo con otras instalaciones de observación".

   Ashish Mahabal, quien dirige las actividades de aprendizaje automático para ZTF y se desempeña como científico computacional y de datos líder en el Centro de Descubrimiento Impulsado por Datos de Caltech, agrega: "Este trabajo demuestra bien cómo las aplicaciones de aprendizaje automático están alcanzando la mayoría de edad en la astronomía casi en tiempo real".

Contador