Astrónomos han identificado unas 116 mil nuevas estrellas variables mediante el ASAS-SN, una red de 20 telescopios que pueden observar todo el cielo 50 mil veces más profundo que el ojo humano.
En un artículo publicado en arXiv, el equipo de la Universidad de Ohio State describen cómo usaron técnicas de aprendizaje automático para identificar y clasificar estrellas variables, objetos celestiales cuyo brillo aumenta y disminuye con el tiempo, especialmente si se observan desde nuestra perspectiva en la Tierra.
Los cambios que experimentan estas estrellas pueden revelar información importante sobre su masa, radio, temperatura e incluso su composición. De hecho, incluso nuestro sol se considera una estrella variable. Las encuestas como ASAS-SN (The All-Sky Automated Survey for Supernovae) son una herramienta especialmente importante para encontrar sistemas que puedan revelar las complejidades de los procesos estelares, dijo Collin Christy, autor principal del artículo y analista de ASAS-SN en el estado de Ohio.
«Las estrellas variables son una especie de laboratorio estelar», dijo en un comunicado. «Son lugares realmente interesantes en el universo donde podemos estudiar y aprender más sobre cómo funcionan realmente las estrellas y las pequeñas complejidades que tienen».
Pero para localizar más de estas escurridizas entidades, el equipo primero tuvo que traer datos del proyecto que no se habían utilizado anteriormente. Durante años, ASAS-SN observó el cielo utilizando filtros de banda V, lentes ópticas que solo pueden identificar estrellas cuya luz cae en el espectro de colores visibles a simple vista. Pero en 2018, el proyecto pasó a usar filtros de banda g (lentes que pueden detectar más variedades de luz azul) y la red pasó de poder observar alrededor de 60 millones de estrellas a la vez a más de 100 millones.
Pero a diferencia de la campaña de ciencia ciudadana de ASAS-SN, que depende de voluntarios para filtrar y clasificar los datos astronómicos, el estudio de Christy requirió la ayuda de la inteligencia artificial.
«Si quieres mirar millones de estrellas, es imposible que unos pocos humanos lo hagan solos. Tomará una eternidad», dijo Tharindu Jayasinghe, coautor del artículo, estudiante de doctorado en astronomía y profesor de Ohio State. «Así que tuvimos que incorporar algo creativo a la mezcla, como técnicas de aprendizaje automático».
El nuevo estudio se centró en los datos de Gaia, una misión para trazar un mapa tridimensional de nuestra galaxia, así como de 2MASS y AllWISE. El equipo de Christy usó un algoritmo de aprendizaje automático para generar una lista de 1.5 millones de estrellas variables candidatas a partir de un catálogo de alrededor de 55 millones de estrellas aisladas.
Posteriormente, los investigadores redujeron aún más el número de candidatos. De los 1.5 millones de estrellas que estudiaron, casi 400 mil resultaron ser estrellas variables reales. Más de la mitad ya eran conocidos por la comunidad astronómica, pero 116 mil 27 de ellos resultaron ser nuevos descubrimientos.
Aunque el estudio necesitaba aprendizaje automático para completarlo, el equipo de Christy dice que todavía hay un papel para los científicos ciudadanos. De hecho, los voluntarios de la campaña de ciencia ciudadana ya comenzaron a identificar datos basura, dijo. «Que la gente nos diga cómo se ven nuestros datos erróneos es muy útil, porque inicialmente, el algoritmo observaría los datos erróneos y trataría de darles sentido», dijo Christy.
Pero el uso de un conjunto de entrenamiento de todos esos datos incorrectos permite al equipo modificar y mejorar el rendimiento general de su algoritmo. «Esta es la primera vez que combinamos ciencia ciudadana con técnicas de aprendizaje automático en el campo de la astronomía de estrellas variables», dijo Jayasinghe. «Estamos ampliando los límites de lo que puedes hacer cuando juntas esos dos».