• Su realización estuvo a cargo de René Parlange Chavarría, Juan Carlos Cuevas Tello y Octavio Valenzuela
• Ángeles Pérez Villegas y Octavio Valenzuela Tijerino dijeron que este programa es clave en las operaciones del proyecto LSST y se aprovechará la infraestructura del Laboratorio de Modelos y Datos de la UNAM

Con AstroTune, herramienta de inteligencia artificial creada por personas científicas del Instituto de Astronomía (IA) de la Universidad Nacional y la Universidad Autónoma de San Luis Potosí (UASLP), se espera coadyuvar en la detección de aproximadamente 200 supernovas nuevas cada noche; es decir, más de 100 mil por año.

Ángeles Pérez Villegas, investigadora del IA y líder de la contribución en especie de LSST-MX en SMWLV (Stars, Milky Way and Local Volumen Science Collaboration, por sus siglas en inglés), señaló que el software es clave en el inicio de operaciones científicas del proyecto Legacy Survey of Space and Time (LSST, por sus siglas en inglés) del Observatorio Vera C. Rubin, instrumento considerado esencial para la astronomía mundial.

Resaltó que se estudiará el cielo del hemisferio sur y parte del norte cada tres días durante 10 años, detectando de forma masiva fuentes variables en escalas de segundos a años. El brillo, color y otras propiedades de algunos de los objetos astronómicos cambian rápidamente con el tiempo, por eso se les llama transitorios o variables.

AstroTune fue elaborada por René Parlange Chavarría, estudiante asociado al IA y alumno del doctorado en ciencias computacionales de la UASLP, con la asesoría de Juan Carlos Cuevas Tello (UASLP) y Octavio Valenzuela, investigador de la entidad universitaria, a fin de localizar y clasificar, de forma automática, fenómenos astrofísicos variables, en particular explosiones de supernovas, es decir, la etapa final de algunas estrellas.

Cada noche el equipo genera siete millones de alertas de objetos que son paquetes de datos producidos cuando se registran cambios en las variaciones de brillo, posición u otras señales, detalló René Parlange.

AstroTune emplea redes neuronales artificiales llamadas transformers de visión y forma parte de la infraestructura de software para el gestor de alertas Pitt-Google Broker, como parte de la contribución en especie de LSST-MX a la Dark Energy Science Collaboration (Colaboración Científica sobre la Energía Oscura o DESC, por sus siglas en inglés), precisó.

El investigador posdoctoral del IA-UNAM, Luis Léon, explicó que el hallazgo de las supernovas se realiza a partir de tres imágenes de la misma región en el cielo: la de referencia; otra capturada en momentos posteriores; y una más que muestra diferencias entre las primeras dos.

Parlange Chavarría manifestó: Esta tecnología continuamente se mejora a sí misma utilizando la estrategia de ajuste automático de parámetros, también llamada automachine learning, aprendiendo sobre los datos específicamente para la ubicación de objetos transitorios.

A su vez el colíder en México del proyecto LSST, Octavio Valenzuela Tijerino, acotó que las herramientas elaboradas en nuestro grupo de participación mexicano LSST-MX, como AstroTune, aprovechan la infraestructura especializada de cómputo con unidades de procesamiento gráfico del Laboratorio de Modelos y Datos de la UNAM, y forman parte de las contribuciones en especie del país a esta colaboración científica internacional a través de un centro de datos independiente o IDAC (por sus siglas en inglés).

Expansión del universo

A decir de la investigadora posdoctoral del IA, Bolivia Cuevas Otahola, varias de estas imágenes se pueden obtener para estrellas variables, núcleos galácticos activos y asteroides. La contribución del grupo mexicano en el proyecto es detectar y clasificar supernovas y estrellas variables.

La también cocoordinadora del grupo de trabajo internacional de Estrellas Variables en LSST precisó que las supernovas son fundamentales como indicadores de distancia, así como para estudiar la historia de expansión del universo y entender los estadios finales de la evolución de las estrellas. Las estrellas variables permiten caracterizar estructuras como los discos de las galaxias, halos estelares de estas o brazos espirales, entre otras.

El doctorante de la Universidad de Pittsburgh y desarrollador principal del gestor de alertas PITT-Google, Chris Hernández, agregó que instrumentos como AstroTune se entrenan con arquitecturas avanzadas de visión por computadora y se integran al PITT-Google Broker; la información se distribuye públicamente, lo que permite su análisis inmediato por parte de la comunidad científica internacional.