El aprendizaje automático mejora la precisión del telescopio del Polo Sur

El Telescopio del Polo Sur (SPT) es un instrumento científico importante que se encuentra en la Estación del Polo Sur Amundsen-Scott. Se utiliza principalmente para estudiar el fondo cósmico de microondas (CMB), que es el resplandor de luz del universo temprano. Debido a su ubicación remota y a las duras condiciones climáticas, el telescopio enfrenta desafíos únicos para apuntar con precisión a los objetos astronómicos.

Para abordar estos desafíos, los investigadores han utilizado técnicas de Aprendizaje automático (ML) para mejorar la precisión del apuntado del SPT, especialmente durante campañas de observación colaborativas con el Telescopio del Horizonte de Eventos (EHT).

#Por qué es importante apuntar

Telescopios como el SPT necesitan ser precisos al apuntar a objetos en el cielo. Imagina intentar dar en el blanco desde una gran distancia; cuanto más preciso seas, más probable es que aciertes. En el caso de los telescopios, la precisión es crucial para recopilar datos confiables. La capacidad del SPT para apuntar con precisión se ve obstaculizada por imperfecciones físicas en su estructura, que pueden ser influenciadas por el clima extremo del Polo Sur.

La mayoría de los telescopios pueden tolerar algunos errores de apuntado, pero el EHT es un poco perfeccionista. Requiere una precisión aún mayor para sus observaciones porque busca capturar el entorno inmediato alrededor de los agujeros negros, y cada pequeño desalineamiento puede llevar a resultados borrosos.

#Recopilación de datos

Para mejorar el apuntado del SPT, el equipo reunió un gran conjunto de datos tanto de observaciones del SPT como de campañas del EHT. Estos datos incluyen observaciones históricas de varias fuentes astronómicas. Usando estos datos, crearon un conjunto de entrenamiento para enseñar a sus modelos de ML cómo ajustar el apuntado del telescopio según las condiciones climáticas actuales y otros factores.

Los investigadores entrenaron dos modelos de XGBoost, que son un tipo de algoritmo de aprendizaje automático conocido por su rendimiento en datos tabulares. Estos modelos aprendieron a hacer ajustes tanto para errores de azimut (el ángulo horizontal) como para errores de elevación (el ángulo hacia arriba) en el apuntado.

#Entrenando los modelos

Entrenar los modelos involucró un montón de cálculos. El equipo necesitaba enseñar a los modelos cómo interpretar diferentes entradas, como las condiciones climáticas y el estado del telescopio, y mapear estas a los ajustes necesarios en el apuntado. El conjunto de datos de entrenamiento consistió en observaciones recopiladas durante varios años, lo que lo hizo robusto pero también un poco complicado—piensa en ello como intentar enseñar a un niño pequeño con un libro que es lo suficientemente pesado como para ser un freno de puerta.

Una vez entrenados, los modelos mostraron resultados prometedores. Lograron una precisión impresionante al predecir dónde necesitaba apuntar el telescopio para minimizar los errores.

#Probando los modelos

Después de entrenar, el siguiente gran paso fue integrar estos modelos en el sistema de control del telescopio. Este paso involucró un poco de magia técnica—como asegurarte de que la linterna de tu smartphone también pueda controlar la temperatura de tu horno. Los modelos tenían que trabajar sin problemas junto con los sistemas existentes.

Una vez que todo estuvo en su lugar, el equipo llevó a cabo una serie de pruebas in situ (término elegante para "en el campo") durante una campaña de observación del EHT en abril de 2024. Recopilaron datos sobre qué tan bien funcionaban los modelos cuando estaban controlando activamente el telescopio.

#Resultados de las pruebas

¡Los resultados fueron prometedores! El uso de modelos de aprendizaje automático llevó a una mejora significativa en la precisión del apuntado. El error promedio combinado de apuntado cayó un impresionante 33%, pasando de un frustrante 15.9 segundos de arco a unos mucho más manejables 10.6 segundos de arco.

Para ponerlo en perspectiva, eso es como mejorar tu puntería con un dardo para que pases de fallar consistentemente el blanco a dar en el centro más a menudo—definitivamente un cambio radical para los astrónomos que intentan recopilar imágenes nítidas.

#Espacio para mejorar

Aunque las mejoras fueron emocionantes, no alcanzaron completamente el objetivo final de lograr una precisión de apuntado de 5 segundos de arco. Pero los resultados aún sirvieron como prueba de concepto de que el aprendizaje automático podría hacer una verdadera diferencia en las operaciones del telescopio.

El equipo reconoció que se necesitan más desarrollos en los modelos para lograr una precisión aún mayor, especialmente considerando las próximas actualizaciones de receptores del EHT que demandarán nuevos niveles de precisión.

#El modelo de apuntado explicado

El SPT utiliza un modelo de apuntado para compensar las imperfecciones estructurales. El modelo toma en cuenta varios procesos físicos, incluyendo:

• Flexión gravitacional: Esto sucede cuando el peso de la estructura del telescopio hace que se hunda, doblándose ligeramente.
• Inclinaciones en los ejes de montaje: Estas pueden ocurrir debido a la distribución del peso del telescopio y factores ambientales.
• Errores de colimación: Estos surgen cuando la trayectoria de la luz a través del telescopio está ligeramente desalineada.

Los ajustes realizados por el modelo de apuntado utilizan una serie de cálculos que relacionan el apuntado indicado con coordenadas reales del cielo, acomodando estas imperfecciones.

Si estás imaginando a un pasante inteligente trabajando pacientemente en ecuaciones mientras toma café, no estás muy alejado de la realidad de cómo funcionan estos modelos.

#Desafíos climáticos

Uno de los mayores obstáculos para el SPT son las extremas condiciones climáticas. El Polo Sur puede ser un lugar implacable, con temperaturas que a menudo bajan muy por debajo de cero. La estructura del telescopio experimenta gradientes térmicos que cambian con el clima e influyen en la precisión del apuntado.

En el Polo Sur, el ambiente cálido y controlado de la base del telescopio se encuentra con las frígidas temperaturas exteriores. Esto resulta en deformaciones térmicas que requieren ajustes dinámicos a lo largo de la sesión de observación.

En términos más simples, es como intentar hornear un pastel en una cocina donde un lado está caliente y el otro es absolutamente helado—el pastel seguramente será un desastre si no mantienes un ojo en él.

#Usando machine learning para ajustes

Para manejar estas deformaciones térmicas, el equipo implementó modelos de aprendizaje automático. Estos modelos usaron datos en tiempo real de sensores en todo el telescopio, incluyendo lecturas de temperatura y medidas estructurales.

El enfoque de aprendizaje automático permitió al equipo crear un sistema más receptivo. En lugar de esperar hasta el final de una observación para verificar la precisión del apuntado y hacer correcciones globales, el sistema podía ajustarse dinámicamente en tiempo real.

Podrías pensar en ello como un conductor hábil que puede dirigir su vehículo instantáneamente según los cambios en las condiciones de la carretera en lugar de esperar a descubrir que han chocado con un bache.

#Planes futuros

Mirando hacia adelante, el equipo del SPT tiene como objetivo mejorar los modelos con más datos. Están particularmente emocionados por la encuesta amplia del SPT, que proporcionará nuevas fuentes cubriendo un rango más amplio de elevaciones y condiciones climáticas.

Con estos nuevos datos, el equipo espera construir modelos que puedan manejar mejor las correcciones de apuntado que nunca—y quizás hacer que se sienta tan fácil como disparar a peces en un barril (si ese barril fuera un telescopio perfectamente alineado).

#Conclusión

La integración del aprendizaje automático en las operaciones del Telescopio del Polo Sur marca un salto significativo en la investigación astronómica. Al mejorar la precisión del apuntado, los investigadores no solo mejoran la calidad de sus observaciones, sino que también amplían el potencial para descubrimientos innovadores sobre nuestro universo.

A medida que continúan refinando estos modelos, el SPT está listo para contribuir con datos aún más valiosos para la colaboración del EHT, desbloqueando nuevas perspectivas sobre el cosmos que antes estaban fuera de alcance. ¿Quién diría que un poco de aprendizaje automático podría ayudar tanto a los científicos a alcanzar las estrellas con más precisión?