En nuestro esfuerzo por entender mejor el cosmos, generamos más observaciones de las que podemos analizar. Satélites como el telescopio espacial James Webb envían cientos de terabytes de datos anualmente, y un telescopio en construcción en Chile generará 15 terabytes de imágenes espaciales cada noche. Es imposible para los humanos procesar tal volumen de información. Como el astrónomo Carlo Enrico Petrillo dijo: “Observar galaxias es romántico, pero mantener la concentración es desafiante”, por lo que entrenó un programa de Inteligencia Artificial para asistir en esta tarea.
Un objeto masivo, como una galaxia o un agujero negro, puede actuar como una lente gravitacional al situarse entre una fuente de luz distante y la Tierra, distorsionando el espacio y la luz a su alrededor, ofreciendo a los astrónomos una visión más detallada de regiones distantes y antiguas del universo. Estas lentes son esenciales para descifrar la composición del cosmos, aunque su búsqueda ha sido laboriosa y tediosa hasta ahora.
La Inteligencia Artificial está revolucionando cómo los astrónomos investigan y descubren nuevos aspectos del espacio, permitiéndoles automatizar tareas que consumirían extensos periodos de tiempo humano, proporcionando más oportunidades para explorar y cartografiar nuevas zonas del universo.
Desde la década de 1930, cuando la teoría de la relatividad general de Einstein anticipó las lentes gravitacionales, que no se observaron hasta 1979, la búsqueda ha sido esporádica debido a la inmensidad del espacio y la lentitud del proceso con la tecnología telescópica de hace dos décadas.
Científicos en la Universidad de Bonn, Nápoles, alimentaron una red neuronal con datos para que reconociera patrones. Esta red, desarrollada en Silicon Valley, destaca en el manejo de información visual y hoy impulsa sistemas de visión artificial en diversas aplicaciones.
Después de entrenar la red con 6 millones de imágenes simuladas de lentes gravitacionales, la red comenzó a identificar patrones rápidamente. A diferencia de un clasificador humano que tardaría 22 horas en analizar 21,789 imágenes, la red los identificó en solo 20 minutos usando un procesador de computadora anticuado.
Aunque inicialmente la red no era tan precisa, ajustando sus parámetros logró identificar 761 candidatos potenciales, que luego se redujeron a 56 tras una revisión humana. Se estima que un tercio de estos son hallazgos válidos, lo que representa un avance significativo en la velocidad de detección de lentes gravitacionales comparado con las últimas décadas.
Las lentes gravitacionales son cruciales para entender el misterio de qué está hecho realmente el universo. Se estima que solo el 5% del universo es materia conocida (planetas, estrellas, asteroides), mientras que el 95% restante incluye formas de materia más enigmáticas como la materia oscura, que solo ha sido estudiada por sus efectos gravitacionales.
Además de la clasificación de datos, la Inteligencia Artificial está siendo usada para analizar flujos de datos en búsqueda de señales interesantes, identificar estrellas púlsares, localizar exoplanetas raros o mejorar imágenes de baja resolución de telescopios. La expansión de la IA en la astronomía también se ha visto favorecida por el aumento de la potencia informática asequible y la evolución en la forma de hacer astronomía, pasando de vigilancias nocturnas a usar sofisticadas herramientas que capturan enormes cantidades de datos celestiales.
Los científicos no están preocupados por la posible falta de percepción humana en la IA, ya que cualquier omisión por parte de las máquinas será sistemática y predecible, permitiendo el uso de sistemas automatizados con bajo riesgo. Algunos astrónomos incluso creen que la IA podría usarse para generar datos y llenar los vacíos en nuestras observaciones del cosmos.
Kevin Schawinski y su equipo han utilizado IA para mejorar imágenes borrosas del espacio, usando redes adversarias generativas para simular variaciones de los datos estudiados. Aunque es una herramienta poderosa, Schawinski advierte que debe usarse con cautela, especialmente cuando los datos son abundantes y verificables.
Si estos métodos son exitosos, podrían ofrecer nuevas formas de exploración, permitiendo revisar y extraer más valor científico de los datos existentes, transformando el conocimiento antiguo en nuevo y explorando el espacio de formas nunca antes posibles.
