Enabling New Discoveries with Machine Learning
Este artículo revisa el marco de trabajo Astronomaly y demuestra cómo la combinación de aprendizaje profundo con la intervención humana activa permite la automatización del descubrimiento científico mediante la identificación de objetos astronómicos raros y novedosos en los masivos conjuntos de datos generados por los telescopios de próxima generación.
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 por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
El universo se está volviendo demasiado ruidoso para que el oído humano pueda escucharlo solo. En los próximos años, nuevos y masivos telescopios comenzarán a escanear el cielo, capturando imágenes y señales a un ritmo que eclipsa cualquier cosa que los astrónomos hayan enfrentado jamás. Un proyecto, el Observatorio Vera C. Rubin, eventualmente catalogará aproximadamente 20 mil millones de galaxias ópticas y detectará algo cambiando en el cielo más de 10 millones de veces cada noche. Otro, el Square Kilometre Array, descubrirá más de mil millones de galaxias de radio. Cuando los datos lleguen en cantidades tan abrumadoras, el viejo método de un científico sentándose a mirar cada imagen o señal una por una se volverá imposible. El desafío ya no es solo reunir los datos, sino encontrar la aguja en el pajar cuando el pajar es del tamaño de un planeta.
Para resolver esto, los investigadores están recurriendo al aprendizaje automático, un campo donde las computadoras aprenden a reconocer patrones sin ser programadas explícitamente para cada regla. Sin embargo, un programa de computadora simple que señale cualquier cosa inusual no es suficiente. En un conjunto de datos lleno de miles de millones de objetos, una computadora podría señalar un fallo en la cámara o una mancha en la lente como "extraño", aunque no posea valor científico. El verdadero objetivo es encontrar las anomalías verdaderamente interesantes: los objetos raros, nuevos o inesperados que podrían reescribir nuestra comprensión del cosmos. Aquí es donde entra el trabajo de Michelle Lochner y sus colegas, ofreciendo una nueva forma de cerrar la brecha entre la potencia de cómputo bruta y la curiosidad humana.
Los investigadores desarrollaron una herramienta llamada astronomaly, un sistema diseñado para ayudar a los científicos a filtrar estos enormes conjuntos de datos de manera eficiente. En lugar de intentar enseñarle a la computadora exactamente cómo se ve un nuevo tipo de objeto —lo cual es imposible si nadie ha visto uno antes—, el sistema utiliza un método llamado aprendizaje activo. En este proceso, la computadora escanea los datos y presenta una pequeña selección de los candidatos más prometedores a un científico humano. El científico luego etiqueta estos como interesantes o no interesantes. La computadora aprende de estas elecciones, refinando su comprensión de lo que el humano encuentra valioso, y luego clasifica el resto de los datos en consecuencia. Esto crea una asociación donde la máquina se encarga del trabajo pesado de clasificación, mientras que el humano aporta la intuición para detectar los descubrimientos verdaderamente significativos.
Este enfoque ya ha conducido a hallazgos reales. Utilizando astronomaly, el equipo identificó un nuevo tipo de fuente de radio llamada SAURON, que significa Steep and Uneven Ring of Nonthermal radiation (Anillo de radiación no térmica empinado e irregular). Este objeto, encontrado en datos del MeerKAT Galaxy Cluster Legacy Survey, no se parece a ninguna fuente conocida y podría ser el remanente de la fusión de dos agujeros negros supermasivos. El sistema también ayudó a descubrir estrellas variables inusuales y fusiones de galaxias que habían sido pasadas por alto por los métodos tradicionales. En un caso, la herramienta analizó casi 4 millones de imágenes ópticas del Dark Energy Camera Legacy Survey, resaltando una docena de fuentes específicas que los expertos humanos encontraron más intrigantes, incluyendo objetos que desafiaban la clasificación estándar.
Una parte clave de este éxito reside en cómo la computadora entiende los datos. Durante décadas, los científicos tenían que diseñar manualmente las características que la computadora debía buscar, como la forma de una galaxia o el brillo de una estrella a lo largo del tiempo. Este era un paso difícil que a menudo limitaba lo que la computadora podía encontrar. El nuevo trabajo muestra que el uso del aprendizaje profundo (deep learning), una forma más avanzada de aprendizaje automático, permite que la computadora determine estas características por sí misma. Al entrenar a una computadora para reconocer patrones complejos en imágenes, el sistema puede crear un mapa interno rico de los datos. Cuando los investigadores aplicaron este método, encontraron que la computadora podía agrupar galaxias similares y separar las inusuales con una precisión mucho mayor que antes.
Sin embargo, los investigadores descubrieron un giro sutil pero importante en cómo funcionan estos sistemas avanzados. Al usar características diseñadas manualmente anteriormente, los objetos extraños tendían a situarse en el extremo mismo del mapa de datos, lo que los hacía fáciles de detectar como valores atípicos. Pero con los nuevos métodos de aprendizaje profundo, los objetos extraños se encontraban a menudo en lo profundo del mapa, mezclados con los normales. Una computadora que buscara únicamente cosas que se sitúan en el borde los perdería. Para solucionar esto, el equipo refinó su enfoque con una versión de la herramienta llamada astronomaly: protege. En lugar de buscar solo anomalías estadísticas, esta versión se enfoca enteramente en lo que el usuario humano encuentra interesante, aprendiendo directamente de su retroalimentación para navegar el complejo mapa de datos.
El artículo concluye que el futuro del descubrimiento en la astronomía depende de este tipo específico de asociación entre el humano y la máquina. A medida que el flujo de datos de los nuevos telescopios crezca, la capacidad de automatizar la búsqueda de lo extraordinario será esencial. Los investigadores argumentan que, debido a que lo "interesante" es una cualidad subjetiva que varía de un científico a otro, el mejor camino a seguir no es intentar definirlo perfectamente en código, sino construir sistemas que lo aprendan de nosotros. Al combinar la velocidad de las máquinas con la intuición de los expertos humanos, los astrónomos pueden asegurar que el próximo gran descubrimiento, quizás tan sorprendente como el primer púlsar encontrado por Jocelyn Bell Burnell en 1967, no se pierda en el ruido.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.