El grupo de astrónomos de la Universidad de Hawai’i en el Instituto de Astronomía de Mānoa (IfA) publicó un catálogo que contiene 3 mil millones de objetos celestes en 2016, incluidas estrellas, galaxias y cuásares (los núcleos activos de los agujeros negros supermasivos). No hace falta decir que el análisis de esta extensa base de datos, repleta de 2 petabytes de datos, fue una tarea inadecuada para humanos insignificantes, e incluso para estudiantes de posgrado. Un objetivo importante que surgió del lanzamiento del catálogo de 2016 fue caracterizar mejor estos puntos de luz distantes y también mapear la disposición de las galaxias en las tres dimensiones. El equipo de Pan-STARRS ahora puede eliminar estos elementos de su lista de tareas pendientes, gracias a los poderes del aprendizaje automático. Los resultados de su trabajo se han publicado en Monthly Notices of the Royal Astronomical Society.
Su telescopio PS1, ubicado en la cima de Haleakalā en la Isla Grande de Hawái, es capaz de escanear el 75% del cielo y actualmente alberga el estudio óptico multicolor profundo más grande del mundo, según un comunicado de prensapublicado por la Universidad de Hawaiʻi. Por el contrario, Sloan Digital Sky Survey (SDSS) cubre solo el 25% del cielo.
Para proporcionar a la computadora un marco de referencia y enseñarle cómo discernir clases celestes de objetos entre sí, el equipo recurrió a mediciones espectroscópicas disponibles públicamente. Estas medidas de colores y tamaños de objetos se cuentan por millones, como explicó en el comunicado de prensa Robert Beck, autor principal del estudio y ex becario postdoctoral de cosmología en IfA.
“Utilizando un algoritmo de optimización de última generación, aprovechamos el conjunto de entrenamiento espectroscópico de casi 4 millones de fuentes de luz para enseñar a la red neuronal a predecir los tipos de fuentes y las distancias de las galaxias, mientras que al mismo tiempo corregimos la extinción de la luz por el polvo en la Vía Láctea”, dijo Beck.
Estas sesiones de formación funcionaron bien; la red neuronal resultante hizo un gran trabajo cuando se le asignó la tarea de clasificar los objetos, logrando tasas de éxito del 98,1% para las galaxias, el 97,8% para las estrellas y el 96,6% para los cuásares. El sistema también determinó las distancias a las galaxias, que estaban a lo sumo solo en un 3%. El trabajo resultante es “el catálogo de imágenes astronómicas tridimensionales de estrellas, galaxias y cuásares más grande del mundo”, según la Universidad de Hawai’i.
“Este hermoso mapa del universo proporciona un ejemplo de cómo el poder del conjunto de datos masivos Pan-STARRS se puede multiplicar con técnicas de inteligencia artificial y observaciones complementarias”, explicó el miembro del equipo y coautor del estudio Kenneth Chambers. “A medida que Pan-STARRS recopila más y más datos, utilizaremos el aprendizaje automático para extraer aún más información sobre los objetos cercanos a la Tierra, nuestro Sistema Solar, nuestra Galaxia y nuestro Universo”.
El nuevo catálogo, que fue posible gracias a una subvención de la National Science Foundation, está disponible públicamente a través del Archivo Mikulski para Telescopios Espaciales. La base de datos tiene un tamaño de 300 gigabytes y se puede acceder a ella a través de varios formatos, incluidas tablas descargables legibles por computadora.
Este trabajo ya ha arrojado algo de ciencia interesante, incluida una explicación de una región del espacio bastante espeluznante conocida como el Punto Frío. Usando el telescopio PS1, y también el satélite Wide Field Survey Explorer de la NASA, los científicos de Pan-STARRS detectaron un supervacío masivo: una “vasta región de 1.800 millones de años luz de diámetro, en la que la densidad de las galaxias es mucho más baja de lo habitual en el universo conocido”,como lo describió la Universidad de Hawai’i hace cinco años. Es este supervacío el que está causando el Punto Frío, según los investigadores.
El mapa actualizado también se utilizará para estudiar la geometría general del universo, para probar aún más nuestras teorías sobre el modelo cosmológico estándar y para analizar galaxias antiguas, entre muchas otras vías de investigación astronómica y cosmológica.
Fuente GIZMODO