La inteligencia artificial detecta anomalías en datos obtenidos por el telescopio Hubble

Se entrenó un modelo de inteligencia artificial para detectar anomalías en los datos de los telescopios, y los datos del Hubble revelaron algo inédito.

Investigadores desarrollan una IA entrenada con más de tres décadas de datos del telescopio Hubble. Crédito: O'Ryan y Gómez

En las últimas décadas, la astronomía ha experimentado una transformación impulsada por los avances en instrumentación, sensores y capacidades computacionales. Los telescopios terrestres y espaciales han comenzado a realizar estudios multiespectrales profundos que han generado enormes cantidades de datos. Las observaciones en diferentes longitudes de onda, las extensas series temporales y los catálogos con miles de millones de fuentes se han vuelto comunes en este campo.

La desventaja es que este crecimiento exponencial de datos ha hecho inviable el análisis manual y ha limitado el uso de métodos tradicionales. Incluso las técnicas ya automatizadas enfrentan dificultades para gestionar la alta dimensionalidad, el ruido complejo y los fenómenos inusuales. Por lo tanto, las técnicas de inteligencia artificial, en especial el aprendizaje automático, se han vuelto esenciales para extraer patrones, clasificar objetos, detectar eventos transitorios y explorar grandes bases de datos astronómicas.

Un ejemplo reciente es el desarrollo de un modelo de IA para detectar anomalías en datos observacionales. Este modelo es capaz de identificar señales que se desvían del comportamiento esperado. Los astrónomos aplicaron este modelo a los datos del telescopio Hubble, lo que permitió descubrir fenómenos sin precedentes que habían pasado desapercibidos en los análisis manuales tradicionales. Este tipo de enfoque demuestra cómo la IA contribuye al análisis de datos y al descubrimiento científico.

Revolución en la astronomía

A principios del siglo pasado, el principal problema de la astronomía residía en la escasez de datos, lo que impedía un análisis exhaustivo. Sin embargo, en las últimas décadas, el problema parece haberse revertido y llegado al extremo opuesto, ya que la astronomía ha llegado a disponer de tantos datos que el análisis manual se ha vuelto inviable. Esto se debió a los avances tecnológicos en detectores, telescopios e infraestructura computacional.

Los estudios del cielo en múltiples longitudes de onda, las observaciones continuas y las misiones espaciales de larga duración han generado volúmenes masivos de datos observacionales.

Con el aumento de la cantidad y la dimensionalidad de los datos, los métodos tradicionales se han vuelto insuficientes para extraer información. La necesidad de identificar patrones, eventos raros y correlaciones no lineales ha generado la necesidad de técnicas de inteligencia artificial y aprendizaje automático. Estos enfoques han permitido analizar grandes volúmenes de datos con mayor precisión, además de ser automatizados y escalables.

AnomalyMatch

Se ha desarrollado un nuevo modelo de inteligencia artificial para buscar anomalías en todo el archivo del telescopio Hubble. El modelo se presentó en un estudio publicado en la revista Astronomy & Astrophysics y se denominó AnomalyMatch. Este modelo se diseñó para identificar patrones raros o inesperados sin depender de clasificaciones previas. El archivo del Hubble era un objetivo ideal, ya que cuenta con observaciones continuas a lo largo de décadas.

El entrenamiento del modelo utilizó datos observacionales que abarcan aproximadamente 35 años de observaciones del Hubble. En lugar de analizar imágenes completas, la red neuronal se alimentó con casi cien millones de pequeños fragmentos de imágenes, cada uno con apenas unos pocos píxeles, lo que le permitió capturar estructuras locales y sutiles. Esta estrategia redujo el coste computacional y aumentó la sensibilidad del sistema a las desviaciones estadísticas de la población dominante de objetos astronómicos.

Descubrimientos con IA

Al aplicar AnomalyMatch a los archivos del Hubble, los investigadores identificaron más de mil objetos clasificados como anómalos en menos de tres días de procesamiento. Una fracción de estas detecciones no se había registrado previamente en la literatura. Esto demostró que grandes volúmenes de datos archivados aún contienen fenómenos poco explorados. La mayoría de las anomalías están asociadas con eventos energéticos, como las fusiones de galaxias.

El esquema ilustra el entrenamiento de un modelo de aprendizaje automático orientado a la detección de anomalías en datos observacionales. Crédito: O'Ryan y Gómez

Además de las fusiones galácticas, el modelo reveló clases de objetos raros, como las galaxias tipo "medusa". Estas galaxias se llaman así porque tienen largas colas de gas que forman estrellas, discos protoplanetarios y sistemas de lentes gravitacionales. Algunas detecciones no encajan en las categorías conocidas, lo que indica posibles nuevos regímenes físicos o etapas evolutivas.

Ventajas

El uso de la IA en astronomía ofrece ventajas sobre los métodos tradicionales, principalmente en términos de velocidad y escalabilidad. Los modelos de aprendizaje automático pueden analizar volúmenes masivos de datos en plazos inviables para los enfoques clásicos. Estos modelos también identifican patrones complejos y correlaciones no lineales sin necesidad de reglas explícitas.

Además de su velocidad, la flexibilidad de la IA facilita su aplicación a diversos problemas astrofísicos, desde la identificación de exoplanetas potencialmente habitables hasta el refinamiento de imágenes de agujeros negros. Estos métodos ya han demostrado su utilidad como herramientas complementarias al análisis tradicional. Sin embargo, es importante destacar que la IA no reemplaza al científico, sino que es una herramienta para abordar la complejidad y la escala de la astronomía actual.

Referencia de la noticia

O'Ryan & Gómez 2026 Identifying astrophysical anomalies in 99.6 million source cutouts from the Hubble legacy archive using AnomalyMatch Astronomy & Astrophysics