🔭 astrophysics

Microlensify: a Transformer Based Machine Learning Classifier for Microlensing Events Trained on TESS Light Curves

El artículo presenta Microlensify, un autoencoder variacional basado en transformadores e informado por la física, entrenado con datos de TESS, que identifica eficazmente candidatos a microlente, filtra falsos positivos y estima con precisión las duraciones de los eventos a través de diversas misiones de alta cadencia.

Autores originales: Atousa Kalantari, Somayeh Khakpash, Sedighe Sajadian, Hosein Haghi, Willow Fox Fortino, Rosanne Di Stefano

Publicado 2026-08-21

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Atousa Kalantari, Somayeh Khakpash, Sedighe Sajadian, Hosein Haghi, Willow Fox Fortino, Rosanne Di Stefano

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En las vastas y concurridas calles de nuestra galaxia, las estrellas son tan numerosas que a menudo se alinean perfectamente desde nuestra perspectiva en la Tierra. Cuando una estrella en primer plano pasa directamente frente a una estrella más distante en segundo plano, su gravedad actúa como una lente natural, desviando la luz de la estrella de fondo y haciendo que parezca temporalmente más brillante. Este fenómeno, conocido como microlente gravitacional, es una herramienta poderosa para los astrónomos porque revela objetos que de otro modo serían invisibles, como estrellas tenues y aisladas o incluso planetas errantes que no orbitan ningún sol. Sin embargo, encontrar estos eventos es como buscar un tipo específico de nube en un cielo tormentoso; el aumento de brillo suele ser sutil, efímero y fácilmente confundible con otros tipos de comportamiento estelar, como una estrella que pulsa o un sistema binario que eclipsa a su compañero. Para encontrar estas señales raras, los astrónomos deben examinar millones de curvas de luz —los gráficos que rastrean cómo cambia el brillo de una estrella a lo largo del tiempo— y distinguir la firma única de una lente gravitacional del ruido del universo.

Un equipo de investigadores ha desarrollado un nuevo método altamente eficiente para resolver este problema utilizando un sofisticado programa informático llamado Microlensify. En lugar de depender de los métodos tradicionales de ajuste matemático, que son lentos y tienen dificultades con el enorme volumen de datos, este equipo entrenó un sistema de inteligencia artificial para reconocer la forma específica de un evento de microlente. El sistema está basado en una arquitectura de "transformador", un tipo de modelo de aprendizaje automático diseñado originalmente para comprender el lenguaje, pero aquí reconvertido para comprender los patrones de luz a lo largo del tiempo. Lo que hace que este enfoque sea único es que los científicos no solo le suministraron datos brutos; integraron las leyes de la física directamente en el proceso de entrenamiento. Esto significa que la IA no solo aprende a detectar el evento, sino que también comprende las reglas físicas que rigen cómo debe comportarse la luz, lo que le permite reconstruir la cronología del evento y estimar con notable precisión cuánto duró el efecto de lente.

Los investigadores probaron este sistema con datos del Satélite de Sondeo de Exoplanetas Tránsitos, o TESS, un telescopio espacial que escanea casi todo el cielo. Aunque el TESS fue diseñado principalmente para encontrar planetas observando cómo cruzan frente a las estrellas, sus observaciones de alta velocidad lo convierten en una herramienta excelente, aunque subutilizada, para captar estos fugaces eventos de microlente. El equipo entrenó su modelo con una mezcla de eventos simulados, creados para imitar cómo se ve una señal de microlente en los datos de TESS, y curvas de luz reales de un sector específico del cielo que contiene una alta densidad de estrellas. Luego aplicaron el modelo entrenado a millones de curvas de luz de diferentes canales de procesamiento de datos. Los resultados fueron sorprendentes: el sistema identificó con éxito miles de candidatos potenciales, filtrándolos hasta obtener una lista manejable de eventos de alta confianza. En una prueba, encontró un evento de microlente conocido que había sido señalado por una misión espacial diferente, demostrando que el modelo podía reconocer la señal incluso cuando los datos provenían de una fuente distinta o tenían características diferentes.

Sin embargo, el poder de esta herramienta no reside solo en lo que encuentra, sino en lo que revela sobre los desafíos de la astronomía moderna. Al aplicar el modelo a millones de estrellas, descubrieron una fuente sorprendente de falsas alarmas. Descubrieron que pequeños asteroides cruzando frente a las estrellas pueden crear picos de luz agudos y breves que se parecen casi idénticamente a los eventos de microlente. Este hallazgo es crucial para futuras investigaciones, ya que resalta un tipo específico de confusión que debe tenerse en cuenta al buscar estos objetos elusivos. El modelo también resultó eficaz para identificar otros tipos de estrellas variables, como estrellas pulsantes de largo periodo y binarias cataclísmicas, que a menudo se hacen pasar por candidatos de microlente. Al cruzar sus hallazgos con bases de datos astronómicas, el equipo pudo categorizar estos impostores, refinando la lista de candidatos reales para incluir solo aquellas estrellas que aún no han sido clasificadas o que se sabe que son estables.

El éxito de Microlensify se extiende más allá de la misión TESS. Los investigadores probaron el modelo con datos de telescopios terrestres en Chile, Sudáfrica y Nueva Zelanda, que observan el cielo con diferentes velocidades y sensibilidades que el telescopio espacial. A pesar de estas diferencias, el modelo identificó correctamente la gran mayoría de los eventos de microlente conocidos de estas investigaciones terrestres, demostrando que ha aprendido la forma fundamental del fenómeno en lugar de simplemente memorizar los datos específicos con los que fue entrenado. Esta capacidad de generalización entre diferentes instrumentos sugiere que la herramienta puede servir como un primer filtro universal para futuras investigaciones, incluso más grandes, como las planificadas para el Telescopio Espacial Nancy Grace Roman. Al filtrar rápidamente millones de estrellas y señalar solo los candidatos más prometedores, Microlensify permite a los astrónomos concentrar su tiempo y recursos en los eventos que tienen más probabilidades de revelar nuevos secretos sobre la población invisible de objetos en nuestra galaxia.

El estudio confirma que, si bien la búsqueda de eventos de microlente es compleja, la combinación de datos espaciales de alta cadencia y aprendizaje automático informado por la física ofrece un camino claro a seguir. El modelo no solo clasifica eventos; reconstruye las curvas de luz y estima la duración de la lente con alta precisión, proporcionando información física inmediata. Los investigadores han puesto su software a disposición de la comunidad científica en general, asegurando que esta nueva forma de ver el universo pueda ser utilizada por otros para continuar la caza de los objetos tenues y ocultos que dan forma a nuestra comprensión del cosmos. A través de este trabajo, el equipo no solo ha encontrado nuevos candidatos, sino que también ha mapeado el panorama de los falsos positivos, convirtiendo una búsqueda caótica en un esfuerzo más preciso y manejable.

Resumen Técnico: Microlensify – Un Clasificador Basado en Transformers para Eventos de Microlente en Curvas de Luz de TESS

Planteamiento del Problema
La microlente gravitacional es un método crítico para la detección de objetos compactos tenues y exoplanetas, pero la identificación de estos eventos en sondeos de alta cadencia y de todo el cielo como el Transiting Exoplanet Survey Satellite (TESS) presenta desafíos significativos. Los eventos de microlente son raros, y distinguir entre la vasta gama de falsos positivos astrofísicos (por ejemplo, estrellas variables, transitorios) y los sistemas instrumentales requiere el análisis de millones de curvas de luz. Los métodos de detección tradicionales, como el ajuste de modelos de fuente puntual y lente puntual (PSPL) o la aplicación de cortes de selección específicos (por ejemplo, $\Delta\chi^2$ , Relación Señal-Ruido), son computacionalmente costosos y a menudo tienen dificultades para equilibrar las tasas de falsos positivos con la eficiencia de detección cuando se escalan a millones de objetivos. Además, los enfoques de aprendizaje automático existentes a menudo han dependido únicamente de datos simulados o características extraídas, lo que podría omitir las complejas características de ruido y los sistemas inherentes a los datos reales de los sondeos.

Metodología
Los autores presentan Microlensify, un Autoencoder Variacional Basado en Transformers con Información de Física (PI-TVAE) diseñado para clasificar eventos de microlente de lente única, reconstruir curvas de luz y estimar la duración de los eventos.

Preparación de Datos: El modelo fue entrenado con un conjunto de datos híbrido que comprende:
1. Datos Simulados: $\sim$ 93,000 curvas de luz de microlente de lente única generadas mediante simulaciones de Monte Carlo adaptadas a las características del Sector 12 de TESS (usando el modelo galáctico de Besançon para parámetros estelares y VBBINARYLENS para efectos de fuente finita). Estos fueron filtrados mediante rigurosos cortes de calidad ( $\Delta\chi^2_{KMTNet} > 400$ , $SNR > 30$ , y restricciones de espacio de sesgo-von Neumann) para asegurar muestras de entrenamiento de alta confianza.
2. Datos Reales: $\sim$ 17,500 curvas de luz no pertenecientes a microlentes del Sector 12 de TESS, extraídas mediante el pipeline GSFC-ELEANOR-LITE. La inclusión de estos datos reales permite que el modelo aprenda los sistemas específicos y los perfiles de ruido de las observaciones de TESS.
- Características de Entrada: El modelo procesa una secuencia de longitud fija de 940 puntos de flujo normalizados. Para preservar la información de amplitud perdida durante la normalización, se concatenan cinco características estadísticas (mínimo, máximo, mediana, desviación estándar y la relación de la desviación estándar con el rango) con la serie temporal del flujo.
Arquitectura:
- Codificador (Encoder): Utiliza capas convolucionales 1D en paralelo (tamaños de núcleo 3, 5, 7) para capturar patrones multiescala, seguidas de bloques Transformer con atención propia de múltiples cabezales (multi-head self-attention). El codificador genera un vector latente de 20 dimensiones.
- Espacio Latente con Información de Física: El espacio latente está restringido por un marco de Autoencoder Variacional. Crucialmente, una dimensión específica se dedica a codificar la duración del evento ( $4 \times \text{FWHM}$ ) mediante una función de pérdida con información de física que alinea la distribución latente con la duración real.
- Decodificador (Decoder): Reconstruye la curva de luz desde el vector latente utilizando bloques Transformer y convoluciones transpuestas.
- Cabezal de Clasificación: Una rama separada procesa las características latentes para producir una probabilidad binaria de detección de microlente.
- Función de Pérdida: Una pérdida compuesta minimiza el error de reconstrucción (BCE + MSE), la divergencia de Kullback-Leibler (que regulariza el espacio latente), una pérdida de duración con información de física y la entropía cruzada binaria para la clasificación.
Preprocesamiento para Cadencia Variable: Para aplicar el modelo a diferentes cadencias (por ejemplo, 10 minutos o 200 segundos) o longitudes, los autores implementaron una estrategia de fragmentación (chunking) y submuestreo. Las curvas de luz se dividen en segmentos, se submuestrean para coincidir con la forma de entrada de entrenamiento y se procesan en paralelo para garantizar la robustez en diferentes configuraciones de sondeo.

Contribuciones Clave

Arquitectura Novedosa: El desarrollo de un PI-TVAE que integra restricciones físicas (duración del evento) directamente en el espacio latente, mejorando la interpretabilidad física de las representaciones internas del modelo.
Entrenamiento con Datos Reales: A diferencia de muchos trabajos previos que dependen únicamente de simulaciones, Microlensify se entrena con curvas de luz reales de TESS (pipeline Eleanor) para capturar falsos positivos genuinos y sistemáticas, mejorando sus capacidades de generalización.
Aprendizaje Multitarea: El modelo realiza simultáneamente la clasificación, la reconstrucción de la curva de luz y la estimación de la duración del evento, proporcionando una herramienta de análisis integral en lugar de un simple clasificador binario.
Aplicabilidad a Diversos Sondeos: Se demuestra que el marco de trabajo se generaliza eficazmente a través de diferentes pipelines de TESS (Eleanor, SPOC, QLP) y sondeos terrestres independientes (OGLE, KMTNet, MOA) con diversas cadencias y características fotométricas.

Resultados

Desempeño en el Sector 12 de TESS: Aplicado a $\sim$ 1.5 millones de curvas de luz de Eleanor, Microlensify identificó 545 candidatos (0.036%). Tras aplicar métricas de detección tradicionales ( $\Delta\chi^2$ , SNR, sesgo-von Neumann) e inspección visual, permanecieron 328 candidatos de alta confianza. Análisis similares en sectores SPOC (133k curvas) y QLP (2.86M curvas) arrojaron, respectivamente, 69 y 3,554 candidatos finales.
Identificación de Falsos Positivos: El estudio identificó con éxito diversos falsos positivos, incluyendo variables de largo periodo, variables Mira, variables cataclismicas, gigantes rojas y una clase específica de falsos positivos causados por cruces de asteroides (que producen picos de tipo Gaussiano).
Estimación de la Duración: El modelo predice las duraciones de los eventos con alta precisión ( $R^2 = 0.97$ , MAE = 1.22 días) en el conjunto de prueba.
Validación Cruzada de Sondeos: Al probarse en 200 eventos publicados cada uno de OGLE, KMTNet y MOA, Microlensify alcanzó una eficiencia de detección promedio del 92.7% (probabilidad $\ge 0.99$ ).
Casos de Estudio Específicos:
- Recuperó con éxito el evento de lente binaria conocido Gaia20fnr (observado como un ala similar a una lente única en TESS) con una probabilidad de 1.0.
- Detectó un candidato a evento de planeta errante reportado por Kunimoto et al. (2025) con una probabilidad de 1.0.
- No asignó una alta probabilidad al evento de lente binaria Gaia23bra, lo cual es consistente con el entrenamiento del modelo en simulaciones de lente única, aunque la variación de flujo era claramente visible en los datos.

Significancia y Reivindicaciones
El artículo afirma que Microlensify representa un avance significativo en la búsqueda automatizada de eventos de microlente en sondeos de alta cadencia. Al combinar las capacidades de reconocimiento de patrones de los Transformers con restricciones físicas y entrenamiento con datos reales, el modelo ofrece una alternativa computacionalmente eficiente a los pipelines de ajuste tradicionales (aproximadamente 300 veces más rápido en un solo núcleo de CPU). Los autores enfatizan que la capacidad del modelo para generalizarse a través de diferentes cadencias y tipos de sondeo (desde el basado en el espacio TESS hasta los terrestres OGLE/KMTNet) lo convierte en una herramienta versátil para la astronomía de dominio temporal. La identificación de los cruces de asteroides como una fuente de falsos positivos se destaca como un hallazgo crítico para futuros sondeos de alta cadencia, como los planeados para el Telescopio Espacial Nancy Grace Roman. Los autores concluyen que Microlensify sirve como una herramienta de cribado inicial efectiva, reduciendo el volumen de datos que requieren inspección humana y permitiendo el descubrimiento de candidatos raros de microlente en conjuntos de datos masivos.

Más como este