Muchas preguntas científicas actuales y apasionantes que los astrónomos están tratando de responder requieren que recopilen grandes muestras de diferentes eventos cósmicos. Como resultado, los observatorios astronómicos modernos se han convertido en implacables máquinas generadoras de datos que lanzan miles de alertas e imágenes a los astrónomos cada noche.
Utilizando un algoritmo de aprendizaje automático, los astrónomos de la colaboración Zwicky Transient Facility en Caltech clasificó con éxito 1000 supernovas de forma autónoma. El algoritmo se aplicó a los datos capturados por Zwicky Transient Facility, o ZTF, un instrumento de estudio del cielo con sede en el Observatorio Palomar de Caltech.
Cada noche, ZTF analiza el cielo nocturno en busca de alteraciones conocidas como eventos transitorios. Esto abarca todo, desde asteroides en movimiento hasta estrellas recientemente devoradas por los agujeros negros a estrellas en explosión llamadas supernovas. ZTF notifica a los astrónomos de todo el mundo sobre estos fenómenos transitorios enviando cientos de miles de señales cada noche.
Luego, los astrónomos utilizan otros telescopios para seguir e investigar la naturaleza de los objetos cambiantes. Hasta ahora, los datos del ZTF han permitido descubrir miles de supernovas.
Matthew Graham, científico del proyecto de ZTF y profesor investigador de astronomía en Caltech, dijo: "La noción tradicional de un astrónomo sentado en el observatorio y examinando imágenes de un telescopio tiene mucho romanticismo, pero se aleja de la realidad".
Utilizando algoritmos de aprendizaje automático, los astrónomos desarrollaron SNIascore para clasificar candidatos supernovas. SNIascore puede clasificar lo que se conoce como supernovas de Tipo Ia, o las “velas estándar” en el cielo. Estas estrellas moribundas explotan con una explosión termonuclear de fuerza constante.
Los científicos ahora están trabajando para ampliar las capacidades del algoritmo para clasificar otros tipos de supernovas en un futuro próximo.
Christoffer Fremling, astrónomo de Caltech y autor intelectual del nuevo algoritmo, denominado SNIascore, dijo: “Necesitábamos ayuda y sabíamos que una vez que entrenáramos nuestras computadoras para hacer el trabajo, nos quitarían una gran carga de encima. SNIascore clasificó su primera supernova en abril de 2021 y, un año y medio después, estamos alcanzando un bonito hito de 1,000 supernovas”.
“SNIascore es notablemente preciso. Después de 1,000 supernovas, hemos visto cómo funciona el algoritmo en el mundo real. No hemos encontrado eventos mal clasificados desde nuestro lanzamiento en abril de 2021 y 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 líder en computación y datos en el Centro para el Descubrimiento Basado en Datos de Caltech, agrega: “Este trabajo demuestra bien cómo máquina de aprendizaje Las aplicaciones están alcanzando la mayoría de edad en la astronomía casi en tiempo real”.
Ashish Mahabal, científico computacional del Centro de Descubrimiento Basado en Datos de Caltech que dirige las actividades de aprendizaje automático para ZTF, dijo, "SNIascore se sitúa por encima de otros algoritmos y capas de aprendizaje automático subyacentes que hemos desarrollado para ZTF, y demuestra bien cómo las aplicaciones de aprendizaje automático están madurando en la astronomía casi en tiempo real".
