La IA revoluciona la clasificación cósmica: una red neuronal cartografía 27 millones de objetos celestes

La IA inaugura una nueva era para cartografiar el universo

Durante siglos, los astrónomos han contemplado el cielo nocturno en busca de desentrañar los misterios de las estrellas, las galaxias y la vasta red cósmica que las conecta. Hoy, la enorme escala del universo plantea un nuevo desafío: ¿cómo clasificar y comprender miles de millones de objetos celestes cuando los métodos tradicionales apenas pueden seguir el ritmo? En un avance revolucionario, un equipo de científicos de los Observatorios de Yunnan, en China, desarrolló un modelo de inteligencia artificial (IA) que ya ha clasificado más de 27 millones de objetos cósmicos —estrellas, galaxias y cuásares— en una extensa región del cielo. Este logro marca un momento decisivo para la astronomía y promete transformar la forma en que exploramos y comprendemos el universo.

Por qué es tan difícil clasificar el cosmos

La astronomía moderna atraviesa una explosión de datos. Telescopios avanzados y estudios del cielo, como el Sloan Digital Sky Survey (SDSS), el Kilo-Degree Survey (KiDS) y la misión Euclid de la Agencia Espacial Europea, captan imágenes y mediciones de miles de millones de objetos. Cada nuevo estudio suma terabytes de datos y revela galaxias situadas a miles de millones de años luz, supernovas y la intrincada estructura de la red cósmica.

Tradicionalmente, los astrónomos han recurrido a la espectroscopia, que analiza la luz de un objeto para determinar su composición, distancia y tipo. La espectroscopia es precisa, pero lenta y requiere muchos recursos. Con el volumen de datos disponible hoy, es sencillamente imposible que las personas puedan analizarlo todo mediante métodos manuales o incluso semiautomatizados. Por ello, los astrónomos recurren cada vez más a los estudios fotométricos, que captan imágenes en distintos colores (longitudes de onda), pero no ofrecen la información detallada de los espectros. Aunque son más rápidos, los datos fotométricos pueden ser ambiguos: las galaxias lejanas, las estrellas y los cuásares suelen aparecer como diminutos puntos brillantes, lo que dificulta distinguirlos solo por su forma.

Los límites de la clasificación humana y de los métodos tradicionales de aprendizaje automático

Los intentos de automatizar la clasificación han incluido algoritmos clásicos de aprendizaje automático, como los árboles de decisión y los bosques aleatorios, y, más recientemente, redes neuronales de aprendizaje profundo. Estos métodos han alcanzado una precisión notable, pero persisten algunos desafíos, sobre todo con objetos tenues o distantes, o en regiones ocultas por el polvo cósmico. Según un estudio de la Universidad de La Serena, en Chile, los modelos de aprendizaje automático pueden tener dificultades en regiones complejas, como la «zona de evitación», donde el polvo bloquea gran parte de la luz visible. Esto puede dar lugar a altas tasas de error, a menos que los modelos se entrenen con datos diversos y de múltiples longitudes de onda.

Cómo funciona el modelo chino de IA

El nuevo modelo de IA desarrollado por el equipo de los Observatorios de Yunnan representa un avance importante. A diferencia de los enfoques anteriores, que se basaban en la apariencia (morfología) o en el color (distribución espectral de energía, o SED) de los objetos, esta red neuronal procesa ambos tipos de información al mismo tiempo. Este diseño con dos entradas permite a la IA detectar diferencias sutiles entre estrellas, galaxias y cuásares que de otro modo podrían pasar inadvertidas.

El modelo se entrenó con fuentes cuya naturaleza se había confirmado mediante espectroscopia, tomadas de la 17.ª publicación de datos del SDSS, considerada un referente en la clasificación astronómica. Después se probó con imágenes del estudio KiDS, centrado en objetos con una magnitud r superior a 23 y que abarca unos 1.350 grados cuadrados del cielo. El resultado: más de 27 millones de objetos clasificados con una velocidad y precisión notables.

Validación y precisión en varios estudios

Para garantizar su fiabilidad, el equipo validó el modelo con datos de otros estudios importantes. Al aplicarlo a 3,4 millones de fuentes de la misión Gaia —principalmente estrellas cuyos movimientos se conocen bien—, la IA identificó correctamente el 99,7 % como estrellas. El estudio Galaxy And Mass Assembly (GAMA) arrojó una tasa de éxito similar: el 99,7 % de las galaxias y los cuásares se clasificaron correctamente. En algunos casos, la IA incluso corrigió errores anteriores y reclasificó objetos que figuraban mal identificados en catálogos antiguos.

Este alto nivel de precisión demuestra la solidez del modelo y su potencial para mejorar las bases de datos astronómicas existentes, lo que lo convierte en una herramienta valiosa para la comunidad astronómica.

La IA y la carrera mundial por cartografiar el universo

El avance chino forma parte de una tendencia más amplia: astrónomos de todo el mundo compiten por desarrollar herramientas de IA capaces de procesar la avalancha de datos de los telescopios de nueva generación. La misión Euclid de la Agencia Espacial Europea, por ejemplo, ya ha cartografiado 26 millones de galaxias en una fracción de la zona prevista para su estudio. Durante los próximos seis años, Euclid tomará imágenes de más de 1.500 millones de galaxias y enviará unos 100 gigabytes de datos al día. Asimismo, se espera que el próximo Observatorio Vera C. Rubin detecte millones de supernovas nuevas y otros fenómenos transitorios. Herramientas de IA como Bright Transient Survey Bot (BTSbot) ya automatizan el proceso de descubrimiento y clasificación de supernovas en el estudio Zwicky Transient Facility.

Ciencia ciudadana e IA: una colaboración poderosa

Dada la magnitud del desafío, los astrónomos también solicitan la ayuda del público. Proyectos como Galaxy Zoo y el nuevo «Galaxy Zoo: Euclid» invitan a voluntarios de todo el mundo a ayudar a clasificar las formas de las galaxias. Estos participantes en proyectos de ciencia ciudadana colaboran con algoritmos de IA —como ZooBot—, que se encargan de los casos más sencillos y remiten las imágenes más complejas a las personas. Esta colaboración no solo acelera la clasificación, sino que también contribuye a entrenar y mejorar la IA, en un ciclo que impulsa nuevos descubrimientos.

Tanto el telescopio espacial James Webb de la NASA como la misión Euclid recurren a este enfoque híbrido, en el que miles de voluntarios y sistemas avanzados de IA trabajan juntos para elaborar los catálogos de morfología galáctica más amplios y detallados de la historia.

Cómo está cambiando la astronomía con la IA

El impacto de la IA en la astronomía va mucho más allá de la velocidad. Al clasificar con rapidez y precisión grandes cantidades de objetos, la IA permite a los científicos:

• Descubrir objetos raros o inusuales, como galaxias anulares o cuásares lejanos, que de otro modo podrían pasar inadvertidos.
• Rastrear la estructura y evolución de las galaxias a lo largo del tiempo cósmico y arrojar luz sobre los cambios que ha experimentado el universo durante miles de millones de años.
• Cartografiar la distribución de la materia oscura y la energía oscura mediante el análisis de las formas y posiciones de las galaxias y de los efectos de las lentes gravitacionales.
• Mejorar la precisión y exhaustividad de los catálogos astronómicos, corregir errores anteriores y completar la información que falta.

Por ejemplo, el reciente descubrimiento de 30.000 galaxias anulares raras mediante una combinación de IA y ciencia ciudadana en el proyecto GALAXY CRUISE ha proporcionado una muestra lo bastante amplia para realizar análisis científicos significativos. El hallazgo ha revelado nuevos datos sobre cómo se forman estas estructuras inusuales, a menudo por la colisión de galaxias espirales.

Innovaciones técnicas: análisis multimodal y a nivel de píxel

Entre los avances recientes de la IA aplicada a la astronomía figuran las arquitecturas de aprendizaje profundo multimodal, que combinan imágenes con metadatos tabulares —como el brillo, el color y el corrimiento al rojo— para mejorar la precisión. Los estudios muestran que estos modelos superan a los que utilizan un solo tipo de datos y logran mayor precisión y exhaustividad con menos épocas de entrenamiento. Algunas herramientas, como Morpheus, una IA desarrollada en la Universidad de California en Santa Cruz, incluso analizan las imágenes píxel por píxel, lo que permite clasificar la morfología con detalle e identificar estructuras complejas dentro de las galaxias.

Estas innovaciones son esenciales a medida que los estudios amplían sus objetivos. La misión Euclid, por ejemplo, busca cartografiar la distribución tridimensional de la materia oscura mediante la medición de las sutiles distorsiones en las formas de las galaxias provocadas por las lentes gravitacionales, una tarea imposible sin técnicas avanzadas de IA y aprendizaje automático.

Límites y desafíos de la IA en la astronomía

Pese a estos avances, la IA no es una solución para todo. La precisión de cualquier modelo depende en gran medida de la calidad y diversidad de sus datos de entrenamiento. Es posible que los modelos entrenados con datos de un estudio no funcionen igual de bien con datos de otros instrumentos o regiones del cielo, sobre todo en entornos complejos como la zona de evitación. Como señalan investigaciones recientes, los modelos de aprendizaje automático pueden tener dificultades para clasificar objetos en regiones ocultas por el polvo o con propiedades inusuales y, en ocasiones, no detectar o identificar correctamente una parte considerable de ellos.

Además, los modelos de IA pueden reproducir los sesgos de sus datos de entrenamiento y pasar por alto fenómenos raros o inesperados. Por eso, la experiencia humana y la ciencia ciudadana siguen siendo fundamentales, tanto para validar los resultados de la IA como para descubrir fenómenos realmente novedosos.

Próximos pasos: una IA más inteligente y adaptable

El equipo de los Observatorios de Yunnan y otros grupos trabajan ahora para mejorar la capacidad de sus modelos de analizar objetos aún más tenues y adaptarse a nuevos estudios con características diferentes. Para ello, están entrenándolos con conjuntos de datos más diversos, incorporando información de múltiples longitudes de onda y desarrollando algoritmos capaces de señalar los casos inciertos o inusuales para que los revise una persona.

A medida que la IA evoluciona, su colaboración con los astrónomos —profesionales y aficionados— será clave para desvelar los secretos del universo.

Implicaciones más amplias: una nueva edad de oro para los descubrimientos

El auge de la IA en la astronomía no es solo un logro técnico: representa un cambio profundo en la manera de hacer ciencia. Al automatizar el tedioso trabajo de clasificación, la IA permite a los astrónomos centrarse en la interpretación, la teoría y la búsqueda de lo desconocido. También democratiza los descubrimientos, ya que permite que cualquier persona con conexión a internet contribuya a cartografiar el cosmos.

Con misiones como Euclid y James Webb, y el Observatorio Vera C. Rubin a punto de aportar volúmenes de datos sin precedentes, la combinación de IA, aprendizaje automático y ciencia ciudadana está inaugurando una nueva edad de oro para los descubrimientos astronómicos. El universo es vasto y misterioso, pero estas nuevas herramientas nos permiten explorar sus profundidades mejor que nunca.

En resumen

• Un modelo chino de IA ha clasificado más de 27 millones de estrellas, galaxias y cuásares, lo que supone un importante avance en el análisis de datos astronómicos.
• El modelo utiliza características morfológicas y de distribución espectral de energía para lograr una gran precisión, y se ha validado con datos de varios estudios.
• La IA es esencial para procesar la enorme cantidad de datos de estudios modernos del cielo, como Euclid y el Observatorio Vera C. Rubin.
• Proyectos de ciencia ciudadana como Galaxy Zoo colaboran con la IA para clasificar objetos complejos o ambiguos y mejorar tanto la velocidad como la precisión.
• La IA permite descubrir objetos raros y corregir errores en catálogos antiguos, pero aún afronta dificultades en regiones complejas y ante fenómenos inusuales.
• El futuro de la clasificación cósmica depende de modelos de IA más inteligentes y adaptables, así como de la colaboración continua entre máquinas y personas.