Redacción/ Ciudad de México
La inteligencia artificial está clasificando explosiones reales de supernovas sin el tradicional uso de espectros, gracias a un equipo de astrónomos del Centro de Astrofísica de Harvard y el Smithsonian. Los conjuntos de datos completos y las clasificaciones resultantes están disponibles públicamente para su uso abierto.
Al adiestrar un modelo de aprendizaje automático para categorizar las supernovas en base a sus características visibles, los astrónomos fueron capaces de clasificar datos reales del programa Pan-STARRS1 Medium Deep Survey para 2.315 supernovas con una tasa de precisión del 82 por ciento, sin utilizar para ello sus espectros.
Los astrónomos desarrollaron un programa de software que clasifica los diferentes tipos de supernovas basándose en sus curvas de luz, o en cómo cambia su brillo con el tiempo. «Tenemos aproximadamente 2.500 supernovas con curvas de luz del Pan-STARRS1 Medium Deep Survey, y de ellas, 500 supernovas con espectros que pueden ser usadas para la clasificación», dijo Griffin Hosseinzadeh, investigador postdoctoral del CfA y autor principal del primero de dos artículos publicados en la revista The Astrophysical Journal. «Entrenamos el clasificador usando esas 500 supernovas para clasificar las supernovas restantes donde no pudimos observar el espectro».
Edo Berger, astrónomo del CfA explicó que al pedir a la inteligencia artificial que responda a preguntas específicas, los resultados son cada vez más precisos. «El aprendizaje automático busca una correlación con las 500 etiquetas espectroscópicas originales. Le pedimos que compare las supernovas en diferentes categorías: color, tasa de evolución o brillo. Al alimentarla con el conocimiento real existente, se obtiene la mayor precisión, entre el 80 y el 90 por ciento».
Aunque este no es el primer proyecto de aprendizaje automático para la clasificación de supernovas, es la primera vez que los astrónomos han tenido acceso a un conjunto de datos reales lo suficientemente grande como para entrenar a un clasificador de supernovas basado en inteligencia artificial, lo que hace posible crear algoritmos de aprendizaje automático sin el uso de simulaciones.
«Si haces una curva de luz simulada, significa que estás haciendo una suposición sobre cómo serán las supernovas, y tu clasificador asimilará también esas suposiciones», dijo Hosseinzadeh. «La naturaleza siempre lanzará algunas complicaciones adicionales que no tuvimos en cuenta, lo que significa que al clasificador no le irá tan bien en los datos reales como en los simulados. Debido a que usamos datos reales para entrenar a nuestros clasificadores, ello significa que nuestra precisión medida es probablemente más representativa de cómo nuestros clasificadores se comportarán en otras revisiones».
A medida que el clasificador categoriza las supernovas, dijo Berger, «seremos capaces de estudiarlas tanto en retrospectiva como en tiempo real para elegir los eventos más interesantes para un seguimiento detallado. Usaremos el algoritmo para ayudarnos a escoger las agujas y también para mirar el pajar».
El proyecto tiene implicaciones no solo para los datos de archivo, sino también para los datos que serán recogidos por futuros telescopios. Se espera que el Observatorio Vera C. Rubin entre en funcionamiento en 2023, y que lleve a un descubrimiento de millones de nuevas supernovas cada año. Esto presenta tanto oportunidades como desafíos para los astrofísicos, donde el tiempo limitado de los telescopios lleva a clasificaciones espectrales limitadas.
«Cuando el Observatorio Rubin se ponga en marcha, aumentará nuestra tasa de descubrimiento de supernovas en 100 veces, pero nuestros recursos espectroscópicos no aumentarán», dijo Ashley Villar, de la Universidad de Columbia y autor principal del segundo de los dos trabajos, añadiendo que mientras que actualmente se descubren alrededor de 10 mil supernovas cada año, los científicos solo toman espectros de alrededor del 10 por ciento de esos objetos. «Si esto es cierto, significa que solo el 0,1% de las supernovas descubiertas por el Observatorio Rubin cada año obtendrán una etiqueta espectroscópica. El 99,9% restante de los datos no será utilizable sin métodos como el nuestro», concluyó Ashley Villar.