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 sólo 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 de la U. de Chile y el Data Observatory. Esteban Reyes, magíster en ciencias de la ingeniería 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, si no 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, la utilizamos 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.
Imagen principal: Las líneas que se ven en esta imagen corresponde a los satélites Stralink y la contaminación que producen en las imágenes astronómicas. Con la nueva herramienta desarrollada artefactos como satélites podrán ser identificados.
Crédito: CTIO/NOIRLab/NSF/AURA/DECam DELVE Survey
- Lanzan proyecto para que ciudadanos ayuden a científicos a clasificar distintos objetos del universo
Noticias recientes
