La simetría más frecuente que utilizan los astrofísicos para graficar la cantidad de estrellas en el universo es que sería comparable a los granos de arena que hay en la Tierra.
Muchos de estos soles podrían albergar vida o tener un planeta potencialmente habitable. Para refinar estos resultados, los científicos están entrenando algoritmos de inteligencia artificial (IA) que también permiten trazar mapas de galaxias, detectar supernovas, agujeros negros y estudiar eventos cósmicos que de otro modo pasarían inadvertidos.
En la actualidad, el objetivo de la búsqueda apunta a exoplanetas rocosos que sean similares a la Tierra y que, de ser posible, posean agua líquida en su superficie. Estos mundos se detectan al observar cómo se comporta la luz al atravesar por su atmósfera.
Para este propósito se emplean diferentes telescopios -tanto terrestres como espaciales- que barren determinadas regiones del espectro electromagnético y devuelven un paquete de dato.
Como este análisis supone una tarea monótona y repetitiva, la IA es entrenada para clasificar esta información y ordenar las observaciones para que los astrónomos puedan examinar solo las tomas que sean relevantes para sus conclusiones.
La imagen de la izquierda muestra órbitas superpuestas para cada planeta (amarillo, rojo y azul). Utilizando el sistema Spock, los investigadores eliminaron todas las configuraciones inestables del sistema Kepler, que habrían resultado en colisiones planetarias y no serían observables.
Unas semanas atrás, Daniel Tamayo, un astrofísico de la Universidad de Princeton y miembro del programa Sagan Fellowship de la NASA, presentó Spock (Stability of Planetary Orbital Configurations Klassifier) un sistema capaz de predecir con gran precisión los destinos de los exoplanetas y determinar cuáles permanecerán estables y los que chocarán con otros mundos o estrellas. Algo crucial a la hora de identificar mundos potencialmente habitables.
Al entrenar este algoritmo para detectar patrones que crearon sistemas estables en modelos completos, explica Tamayo, podría usarse para identificar los planetas inestables más rápidamente, sin tener que ejecutar simulaciones completas, lo que acelera el proceso unas 100.000 veces.
Representación artística de los planetas del sistema Kepler. NASA/JPLCaltech/T. Pyle
”Esta nueva herramienta nos ayudará a descartar posibles composiciones y configuraciones planetarias que serían dinámicamente inestables y nos permite hacerlo de manera más precisa a mayor escala de la que estaba disponible anteriormente, argumenta Tamayo.
Con otro método de aprendizaje automático se revisaron antiguas fotos del sistema Kepler-160, una estrella similar al Sol y la NASA halló otros dos exoplanetas que no habían sido registrados antes. Lo interesante es que KOI-456.04, uno de ellos, es muy similar al nuestro en tamaño y órbita. También se ubica en la zona de habitabilidad de su estrella.
Los autores encontraron KOI-456.04 tras analizar datos ya archivados del telescopio Kepler, hoy fuera de servicio. El equipo empleó dos nuevos algoritmos para analizar el brillo estelar en Kepler-160, que fueron diseñados para seguir los patrones de atenuación en un nivel más granular y gradual, en lugar de buscar los saltos abruptos que se habían utilizado anteriormente.
Ilustración de como se vería el amancer en el planeta KOI-456.04.AFP PHOTO /NASA/Ames Research Center/Daniel Rutter/HANDOUT
Este KOI-456.04 se sitúa a 3 mil años luz y si bien la distancia es importante, genera nuevas esperanzas ya que, de confirmarse mediante observaciones directas, pasaría a ser el mejor candidato hasta ahora para un exoplaneta habitable que se asemeja a nuestro mundo natal. Todo gracias a las redes neuronales.
Esta semana, investigadores del Observatorio Astronómico Nacional de Japón (NAOJ) se valieron de la IA para realizar una exhaustiva clasificación de alrededor de 560.000 galaxias del universo distante a partir de imágenes de campo ultra-amplio obtenidas por el Telescopio Subaru. Mientras que un equipo de la ESA, logró captar 2.000 “estrellas bebé” entre 1,4 millones, refinando los resultados de la sonda Gaia.
Las habilidades de la IA no se limitan a la recopilación de datos. En un futuro, comenzarán a operar naves espaciales autónomas, que no requerirán el seguimiento de operadores terrestres. Portarán algoritmos de aprendizaje automático que sean capaces de identificar objetos peligrosos en la ruta y los esquiven.
Estas técnicas también ayudan en la telemetría y el control de la frecuencia y la coordinación física de la órbita. El aprendizaje profundo no solo reducirán la carga de interferencia para las redes de satélite y evitarán la saturación de canal común en las etapas críticas de la órbita.
A su vez, los expertos están optimizando los telescopios con una inyección de ecuaciones para que puedan investigar su propia ruta de coordenadas y, ante un cambio repentino, como un estallido, le dediquen más tiempo a ese punto. Se especula también que, al obtener los resultados, sean capaces de escribir y probar hipótesis para facilitar el camino de los físicos.
Además, tras la exitosa prueba del robot CIMON (compañero móvil interactivo de la tripulación), un asistente con IA que flota por la nave, desarrollado por Airbus con tecnología de IBM, para escoltar a los astronautas en la Estación Espacial Internacional (EEI), se espera que las futuras misiones dispongan nuevos compañeros inteligentes para amenizar el trayecto.
GS
TEMAS QUE APARECEN EN ESTA NOTA
COMENTARIOS CERRADOS POR PROBLEMAS TÉCNICOS.ESTAMOS TRABAJANDO PARA REACTIVARLOS EN BREVE.
CARGANDO COMENTARIOS
Clarín
Para comentar debés activar tu cuenta haciendo clic en el e-mail que te enviamos a la casilla ¿No encontraste el e-mail? Hace clic acá y te lo volvemos a enviar.
Clarín
Para comentar nuestras notas por favor completá los siguientes datos.
