La gran cantidad de datos que genera la observación astronómica hoy es un desafío que interpela a científicos y científicas a buscar nuevas formas de analizar la gran cantidad de imágenes obtenidas por noche. Esa situación solo se acrecentará, cuando telescopios como el Vera Rubin o el ELT comiencen a operar en algunos años.
Es así como se hace necesaria la conformación de equipos interdisciplinarios que aborden esta problemática desde distintos frentes. Este es el caso de ALeRCE, proyecto conjunto del Instituto Milenio de Astrofísica MAS, el Centro de Modelamiento Matemático (CMM) de la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile y el Data Observatory.
Esteban Reyes, magíster en ciencias de la ingeniería, mención Eléctrica de la FCFM e investigador del MAS, es parte del equipo de este broker y desarrolló una herramienta que permite identificar de forma automática diferentes objetos astronómicos en grandes bases de datos que, en forma previa y sin la necesidad de incluirlos en el entrenamiento de la herramienta, detecta artefactos que, aunque lo parecen, no son objetos del universo.
“Un gran porcentaje de las imágenes que generan los telescopios no corresponden realmente a objetos astronómicos, sino que se producen por artefactos que aparentan ser variaciones de brillo en el cielo. Tradicionalmente, personas expertas tienen que generar bases de datos de estos tipos de artefactos a mano para su posterior identificación. El detector de anomalía que desarrollamos, en cambio, los detecta de forma automática. Puede generar base de datos de ellos o filtrarlos en etapas tempranas del procesamiento, reduciendo así la cantidad de imágenes “inservibles” que se procesan, para luego entrenar modelos que identifiquen variados objetos astronómicos además de los artefactos”, explica Esteban.
Asimismo, asegura, con las bases de datos que permite armar esta herramienta se crea un modelo capaz de registrar variados objetos astronómicos. Esteban Reyes, quien además trabaja en el equipo de datos de la empresa Fintual, señala que se utiliza especialmente para detectar potenciales supernovas que no han sido descubiertas. De esta forma, en conjunto, estas herramientas pueden ser aplicadas a cualquier base de datos de telescopios que generen alertas con imágenes astronómicas.
El modelo final consiste en una red neuronal convolucional que toma las imágenes de una alerta generada por un telescopio, que se produce por un cambio de brillo en el cielo respecto a una imagen de referencia en la misma zona donde está la variación detectada. La herramienta permite clasificar entre cinco posibles objetos astronómicos: supernova, asteroide, núcleo galáctico activo, estrella variable o bogus (artefacto o basura). Sin embargo, se utiliza principalmente para detectar nuevas supernovas.
El equipo de ALeRCE creó en su web una página que utiliza el modelo para presentar los mejores 100 candidatos a supernova de la noche anterior, lo que es usado por astrónomos y astrónomas para identificar posibles nuevas supernovas descubiertas, votar por ellas y reportarlas para ser verificadas por el Transient Name Server. Este último las confirma apuntando un telescopio más específico al objeto en cuestión.
Sin duda una herramienta muy útil para el desarrollo de esta nueva astronomía y que se une a la serie de instrumentos que este broker nacional está creando para la comunidad científica.
Acerca de ALeRCE
ALeRCE (Automatic Learning for the Rapid Classification of Events) es un proyecto que clasifica las alertas procedentes de telescopios de reconocimiento de gran extensión, generado en Chile por el Instituto Milenio de Astrofísica (MAS) y el Centro de Modelamiento Matemático (CMM) de la Universidad de Chile, y que hoy suma a más de 20 instituciones, como el Data Observatory (DO) y la U. de Concepción. Utiliza una infraestructura en la nube y modelos de aprendizaje automático para ofrecer productos y servicios procesados en tiempo real a la comunidad astronómica.
