Nuevo modelo de IA acelera la identificación de transitorios brillantes

Los transitorios brillantes son eventos astronómicos repentinos y de corta duración que pueden dar información importante sobre el universo. Estos eventos pueden incluir Supernovas, que son explosiones masivas de estrellas, entre otros. Identificar y clasificar estos transitorios es una tarea crucial para los astrónomos. La Encuesta de Transitorios Brillantes (BTS) tiene como objetivo clasificar todos los transitorios brillantes encontrados por una instalación llamada Zwicky Transient Facility (ZTF). Tradicionalmente, esta clasificación requería que expertos humanos examinaran los datos de cerca, lo que puede ser lento y laborioso.

#El papel de la tecnología en la astronomía

Los avances en tecnología han cambiado cómo trabajan los astrónomos. Las encuestas a gran escala ahora capturan grandes cantidades de imágenes del cielo nocturno. Estas encuestas generan enormes conjuntos de datos a diario, haciendo esencial el uso de métodos automatizados para mantenerse al día con la avalancha de información. El Aprendizaje automático (ML), un tipo de inteligencia artificial, se ha aplicado cada vez más en astronomía para varias tareas, como distinguir entre eventos astronómicos reales y falsos, clasificar transitorios y estimar distancias a objetos en el espacio.

#Presentando un nuevo enfoque

Para mejorar el proceso de identificación de transitorios brillantes, se ha desarrollado un nuevo tipo de sistema de inteligencia artificial, llamado red neuronal convolucional de múltiple entrada (MI-CNN). Este modelo puede analizar tanto imágenes como datos numéricos de las fuentes simultáneamente, proporcionando una imagen más completa que usando solo imágenes o datos. El MI-CNN está diseñado para clasificar automáticamente los transitorios, ahorrando tiempo y esfuerzo.

#Recolección y clasificación de datos

En la Encuesta de Transitorios Brillantes, cada noche, los expertos examinan alrededor de 50 fuentes candidatas para identificar cuáles son supernovas brillantes. De estas candidatas, solo alrededor de 10 suelen ser supernovas brillantes, mientras que el resto pueden ser otras supernovas menos brillantes o diferentes tipos de objetos astronómicos. El uso de un MI-CNN puede ayudar a automatizar este proceso al examinar las características de cada fuente y asignar puntajes que indican cuán probable es que sean transitorios brillantes.

El MI-CNN opera procesando tres tipos de imágenes: la imagen científica, la imagen de referencia y la imagen de diferencia. Estas imágenes permiten que el modelo entienda el contexto y los cambios en el brillo de cada fuente. Además, el modelo tiene en cuenta otras características numéricas, como la distancia a galaxias cercanas y observaciones previas de la fuente. Esta combinación de datos de imagen y numéricos mejora la capacidad del modelo para identificar transitorios brillantes.

#Comparación de rendimiento

El MI-CNN ha demostrado ser más efectivo que los expertos humanos en cuanto a la completitud de la identificación de supernovas brillantes, logrando una tasa de completitud del 99% en comparación con el 95% de los escaneadores humanos. Además, el modelo puede hacer sus clasificaciones aproximadamente 7.4 horas más rápido en promedio. Esto es significativo, ya que una identificación más rápida significa que los astrónomos pueden recopilar más datos sobre estos eventos antes de que se desvanecen o se vuelvan demasiado tenues para ser observados de manera efectiva.

#Los desafíos del aprendizaje automático en astronomía

Si bien el uso del aprendizaje automático en astronomía presenta muchas oportunidades, también viene con desafíos. Una de las principales dificultades es entrenar el modelo con un conjunto de datos masivo y equilibrado. Dado que las supernovas brillantes son relativamente raras en comparación con otros tipos de objetos astronómicos, es importante garantizar que el modelo aprenda de manera efectiva sin inclinarse hacia clases más comunes.

Para manejar esto, los investigadores seleccionan cuidadosamente cuántas alertas de cada fuente van al conjunto de datos de entrenamiento. Este acto de equilibrio asegura que el modelo aprenda de una muestra representativa sin ajustarse demasiado a ningún tipo de datos. Hicieron ajustes como ponderar las contribuciones a la función de pérdida según el tamaño de la clase para mitigar desequilibrios.

#Entrenando el modelo

El proceso de entrenamiento para el MI-CNN incluye usar una variedad de técnicas para prevenir el sobreajuste, que ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento y falla en datos nuevos y no vistos. Se aplican técnicas como la augmentación de datos, que implica modificar las imágenes de entrenamiento de varias maneras (por ejemplo, a través de rotaciones y volteos), para hacer que el modelo sea más robusto.

El modelo se divide en tres conjuntos de datos: entrenamiento, validación y prueba. Al asegurarse de que diferentes conjuntos de datos no contengan datos similares, ayudan a evitar sesgos que pueden surgir de la sobre-representación de ciertas fuentes.

#Aplicaciones en el mundo real

El modelo MI-CNN se ha integrado en un sistema de alertas, que procesa automáticamente nuevos datos del ZTF. El objetivo es identificar rápidamente nuevos candidatos que superen un cierto umbral para observaciones de seguimiento. Esto permite a los astrónomos monitorear y estudiar eventos transitorios en tiempo real. Un ejemplo de su efectividad se puede ver con la identificación reciente de una supernova Tipo-II, donde el modelo pudo solicitar observaciones de seguimiento inmediatas, reduciendo significativamente el tiempo entre la detección y la clasificación.

#Conclusión

En resumen, el desarrollo de una red neuronal convolucional de múltiple entrada representa un avance significativo en el campo de la astronomía, especialmente para identificar transitorios brillantes. Al combinar eficazmente datos de imagen y características numéricas, este modelo automatiza el proceso de clasificación, permitiendo una identificación mucho más rápida de eventos astronómicos potencialmente importantes. Esto no solo beneficia a la comunidad científica al agilizar el proceso de análisis de datos, sino que también mejora nuestra comprensión del universo a través de observaciones oportunas y estudios de seguimiento. A medida que la tecnología continúa evolucionando, integrar el aprendizaje automático en la astronomía probablemente llevará a más descubrimientos innovadores en el futuro.