Científicos UdeC crean novedoso catálogo morfológico de galaxias
Machine Learning
Fue más de un año de trabajo para un equipo de estudiantes y académicos investigadores de Ingeniería y Astronomía de la Universidad de Concepción, pero con éxito lograron el objetivo de crear un algoritmo usando Inteligencia Artificial para diseñar un catálogo de morfología de galaxias y que, con certeza, será un gran aporte para el trabajo actual y futuro de profesionales que se dedican a las ciencias astronómicas.
Machine Learning
Y no es para menos, pues son múltiples las contribuciones, y la primera es el propio catálogo, que son una herramienta esencial para los astrónomos y el desarrollo de sus estudios, considerando que son incontables los objetos astronómicos que hay en el espacio y así también la información que se va recopilando de estos en la medida que se estudian. Pero, además, hay otros que agregan valor al proyecto en sí mismo y en el papel que éste puede jugar cuando en los próximos años lleguen nuevos telescopios a Chile y se reciban una cantidad mucho más grande de información astronómica que deba ser clasificada y procesada.
APORTES Y NOVEDADES
survey
Pero, en su opinión, lo más novedoso es que "el catálogo incorpora morfologías en 16 longitudes de onda, desde ultravioleta a infrarrojo, y generalmente, cuando se clasifican galaxias se hace con imágenes en color, que combinan tres longitudes de onda, o imágenes a una longitud de onda".
El algoritmo clasifica galaxias en cada longitud de onda y manifiesta que esto es "importante para caracterizar las poblaciones estelares de edades y composiciones químicas diferentes que se forman en las galaxias", pues las estrellas de una galaxia son de distintas edades y según su edad pueden ser luminosas a diferentes longitudes de onda y cuando se selecciona una longitud de onda sólo se ve una parte de la población estelar, por lo que esto permite ampliar la observación a más poblaciones de estrellas.
"Una galaxia puede cambiar su morfología (que puede ser elíptica, espiral o irregular) según cómo están distribuidas las estrellas de una cierta población", cuenta el experto, por lo que vislumbra que esto aporte a estudios relacionados a la dinámica, la formación estelar o procesos de interacción en las galaxias, por ejemplo.
MENOS EJEMPLOS,
MÁS TIEMPO
Trascendiendo a la Astronomía hay un aporte que Manuel Pérez recalca en relación a la IA. "Al usar el Machine Learning se necesita etiquetas. Por ejemplo, se usa una imagen y se le dice al modelo 'esta galaxia es espiral' o 'ésta elíptica', hasta que aprende a reconocer solo. En general, para que funcionen se requieren miles de ejemplos, pero la metodología que probamos usó etiquetas de otro telescopio como base de conocimiento para nuestro modelo, y con pocos ejemplos pudimos hacer que funcionara igual de bien", comenta.
Lo que destaca, sobre esto, es que si ya esta herramienta tecnológica reduce tiempo y mejora los procesos, las pruebas que realizaron puede optimizar más el trabajo en el entrenamiento de la máquina. Por ello, el desafío que ahora se ha propuesto es seguir indagando en esta área, buscando resultados fuera del campo astronómico.