Por Keith Kirkpatrick
Encargado por el personal del CACM
9 de agosto de 2022
Comentarios
Esta imagen de Cartwheel y sus galaxias compañeras es una composición de la cámara de infrarrojo cercano (NIRCam) y el instrumento de infrarrojo medio (MIRI) del telescopio espacial James Webb, que revela detalles que son difíciles de ver solo en las imágenes individuales.
Crédito: NASA, ESA, CSA, STScI
La publicación el 12 de julio de las imágenes del Telescopio Espacial James Webb (JWST) de la NASA cautivó y entusiasmó a todos, desde niños en edad escolar hasta aficionados al espacio, gracias a los colores vivos y las capturas nítidas de los confines del espacio. Las imágenes del telescopio, que es el telescopio espacial más grande, complejo y poderoso jamás construido, enfocaron miles de galaxias, tanto conocidas como desconocidas, así como los llamados «acantilados cósmicos» de polvo y gas, e incluso un estrella moribunda
El telescopio detecta longitudes de onda del infrarrojo cercano y del infrarrojo medio, la luz más allá del extremo rojo del espectro visible, lo que permite capturar regiones del espacio que de otro modo estarían ocultas. La luz infrarroja puede descubrir y revelar nuevos detalles en las imágenes, según el objeto. Por ejemplo, cuerpos de materia como los planetas jóvenes que son fríos y no emiten mucha energía o brillo visible, todavía irradian en el infrarrojo. Del mismo modo, las longitudes de onda cortas de la luz visible a menudo pueden verse oscurecidas por el polvo espacial o una nebulosa densa (un grupo de nubes interestelares), lo que impide que los telescopios que solo detectan la luz visible, como el telescopio Hubble, capturen sus imágenes. La luz infrarroja, con sus longitudes de onda más largas, puede penetrar a través del polvo más fácilmente, y los telescopios basados en infrarrojos pueden detectar objetos de baja energía que a menudo se forman dentro de las nebulosas, como las estrellas enanas marrones y las estrellas recién formadas. Por lo tanto, el JWST puede revelar objetos que antes estaban ocultos a la vista.
Aunque las imágenes en sí mismas son asombrosas, el valor real para los astrónomos y científicos provendrá del análisis profundo de los objetos contenidos en las imágenes. Si bien la inteligencia artificial (IA) se puede usar para determinar qué datos son importantes para enviar para su procesamiento, lo que reduce la cantidad total de información que debe analizarse y almacenarse, el uso del aprendizaje profundo brinda enormes beneficios en el procesamiento y análisis de los datos.
El aprendizaje profundo se está utilizando para identificar y clasificar objetos de las imágenes y puede proporcionar una ventaja significativa sobre las técnicas de clasificación manual. Usando un enfoque supervisado, un conjunto de entrenamiento de objetos previamente identificados y sus atributos y características específicos se introducen en un sistema para «enseñar» a los modelos a producir los resultados deseados. Para la clasificación de objetos espaciales, el conjunto de datos de entrenamiento incluye entradas y salidas correctas para identificar objetos como estrellas, galaxias, polvo y nubes espaciales, agujeros negros y otros elementos de interés, que permiten que el modelo aprenda con el tiempo. El algoritmo mide su precisión a través de la función de pérdida, ajustándose hasta que el error se ha minimizado lo suficiente para garantizar la confianza.
Una vez que se ha desarrollado el modelo, el algoritmo está listo para procesar, analizar y clasificar nuevos objetos encontrados por telescopios como el JWST, ahorrando una cantidad significativa de tiempo y esfuerzo en comparación con el análisis manual.
«Sin herramientas de inteligencia artificial para realizar la clasificación, los objetos en las imágenes astronómicas deben ser inspeccionados por astrónomos profesionales o aficionados, con una clasificación determinada por la ponderación de las opiniones de las personas», dice Brant Robertson, profesor de astronomía en el departamento de astrofísica de la Universidad de California Santa Cruz (UCSC), quien está involucrado en el proceso de análisis de imágenes JWST capturadas recientemente. «La velocidad de la inspección visual por parte de los humanos está limitada por la rapidez con la que se puede proporcionar la información y por la cantidad de personas que pueden proporcionar inspecciones útiles de muchos objetos. [However,] la velocidad de clasificación de la IA solo está limitada por la cantidad de computación disponible, que ya no es una limitación considerable, y la cuidadosa preparación de los conjuntos de datos».
Morpheus, un marco de aprendizaje profundo basado en TensorFlow (una plataforma de código abierto de extremo a extremo para el aprendizaje automático), se utilizará para realizar la clasificación de imágenes en los datos capturados por el JWST. Desarrollado originalmente en 2019, Morpheus es un modelo para generar clasificaciones estructurales a nivel de píxeles de fuentes de datos astronómicos. Aprovecha el aprendizaje profundo para realizar la detección de fuentes, la segmentación de fuentes y la clasificación morfológica píxel por píxel, utilizando un algoritmo de segmentación semántica adoptado del campo de la visión artificial. Mediante el uso de estos datos estructurales sobre el flujo de fuentes astronómicas reales durante la detección de objetos, Morpheus ha demostrado resistencia a las identificaciones de fuentes falsas positivas, según una evaluación que utiliza datos capturados por el telescopio espacial Hubble.
«Los modelos de aprendizaje profundo como Morpheus usan la información completa de píxeles en una imagen para realizar la clasificación, por lo que el modelo usa todas las características visuales de las galaxias o estrellas», dice Robertson. «Las galaxias se dividen en tres amplias categorías: las galaxias elípticas son elipsoidales y relativamente suaves; las galaxias de disco suelen ser aplanadas y tienen una estructura en espiral o franjas de polvo oscuro, y las galaxias irregulares tienden a ser grumosas y amorfas. Dado que cada uno de estos objetos tiene morfologías visualmente distintas, el modelo puede diferenciarlos». Robertson dice que su equipo puede «procesar las encuestas JWST más grandes con Morpheus en solo unas pocas horas con los recursos computacionales que tenemos aquí en UCSC».
En un podcast realizado unos meses antes del lanzamiento de las imágenes del JWST, Robertson dijo que el telescopio podría buscar características en las atmósferas de los planetas que podrían indicar la presencia de vida. Si bien Morpheus aún no ha sido capacitado para analizar este tipo de fecha, Robertson dijo: «Agradeceríamos mucho la colaboración de científicos interesados en métodos de IA para evaluar datos espectroscópicos de atmósferas JWST».
De hecho, el estudio del espacio es un esfuerzo de colaboración mundial, y otros investigadores también han desarrollado plataformas de inteligencia artificial que también se pueden usar para identificar, evaluar y clasificar objetos encontrados por telescopios espaciales. RobERt (Robotic Exoplanet Recognition) es una red neuronal profunda creada por Ingo Waldmann y su equipo en el University College London del Reino Unido, que utilizó más de 85 000 curvas de luz simuladas de cinco clases de exoplanetas para entrenar a RobERt para que reconozca la presencia de moléculas y gases específicos. en las atmósferas de los exoplanetas. La plataforma se usó para modelar datos de exoplanetas del telescopio espacial Hubble y, después del entrenamiento, RobERt pudo identificar moléculas como agua, dióxido de carbono, amoníaco y óxido de titanio en curvas de luz de exoplanetas reales con un 99,7 % de precisión.
keith kirkpatrick es director de 4K Research & Consulting, LLC, con sede en Nueva York, NY, EE. UU.
entradas no encontradas
