Instituto de Astronomía, UNAM a 23 de abril de 2026.- El inicio de operaciones científicas del proyecto Legacy Survey of Space and Time (Investigación del Espacio-Tiempo como Legado para la Posteridad o LSST, por sus siglas en inglés) del Observatorio Vera C. Rubin marca un momento clave para la astronomía mundial con la emisión de las primeras alertas de objetos variables.
En este esfuerzo internacional, el Instituto de Astronomía de la Universidad Nacional Autónoma de México (IA-UNAM) participa activamente a través del Consorcio LSST-MX, que está respaldado por la UNAM, la Universidad de Guanajuato, y en la que participa la Universidad Autónoma de San Luis Potosí (UASLP), entre otras instituciones mexicanas.
“Para comprender este avance científico multidisciplinario, es necesario considerar que el estudio LSST barrerá todo el cielo del hemisferio sur y parte del norte cada 3 días durante 10 años, detectando de forma masiva fuentes variables en escalas de segundos a años. El brillo, color y otras propiedades de algunos de los objetos astronómicos cambian rápidamente con el tiempo, por eso se les llama objetos transitorios o variables. Estos pueden ser asteroides, estrellas, explosiones, galaxias y otros tipos diversos”, comentó la Dra. Angeles Pérez Villegas, investigadora del IA-UNAM y líder de la contribución de LSST-MX al grupo internacional de Estrellas, Vía Láctea y Volumen Local.
Por su parte, el Dr. Octavio Valenzuela co-líder en México del proyecto LSST enfatizó: “Nunca se ha monitoreado la variabilidad de los objetos astronómicos con tal sensibilidad y por tanto tiempo en un área tan grande del cielo, lo cual abre posibilidades inéditas para descubrir nuevos fenómenos. Todos los objetos astronómicos variables muestran una distribución de propiedades, tales como el tiempo que dura la variabilidad, qué tanto cambia el brillo, o el color o su movimiento. Existen objetos variables que muestran diferencias con la mayoría en su categoría, ya sea por tener propiedades extremas o porque son difíciles de clasificar por estar en la frontera entre una población de astros y otra, o porque no se parecen a ningún otro objeto conocido. Varios de los grupos dentro del proyecto LSST se enfocan en el estudio de anomalías, ya que se espera que éstas permitan detectar nuevos fenómenos físicos”.
AstroTune: una herramienta de inteligencia artificial
LSST libera cada noche siete millones de alertas de objetos variables. Esto lo hace a través de grupos oficiales que son gestores de alertas del LSST. Las alertas son paquetes de datos que se generan cuando se detectan cambios —variaciones de brillo, posición u otras señales—.
René Parlange Chavarría, estudiante del doctorado en ciencias de la computación de la UASLP y asociado al IA-UNAM, desarrolló bajo la asesoría del Dr. Juan Carlos Cuevas Tello y el Dr. Octavio Valenzuela, el software AstroTune: una herramienta de inteligencia artificial que permite clasificar y detectar de forma automática fenómenos astrofísicos variables, en particular explosiones de supernovas -la etapa final de algunas estrellas-. AstroTune utiliza redes neuronales artificiales y forma parte de la infraestructura de software para el gestor de alertas Pitt-Google Broker, como parte de la contribución en especie de LSST-MX a la Dark Energy Science Collaboration (Colaboración Científica sobre la Energía Oscura o DESC, por sus siglas en inglés).
La detección de las supernovas se hace a partir de tres imágenes de la misma región en el cielo: la imagen de referencia, la imagen de ciencia (que se captura en momentos posteriores), y la imagen de diferencia, que es la resta de ambas o la que muestra diferencias entre las primeras dos.
“Utilizamos técnicas de aprendizaje por transferencia a partir de redes neuronales previamente entrenadas con los censos DES (Dark Energy Survey) y ZTF (Zwicky Transient Facility) con lo cual estos modelos se reajustan para la tarea y el dominio científico de interés (censo astronómico). AstroTune continuamente se mejora a sí mismo utilizando la estrategia de ajuste automático de hiper parámetros, también llamada auto machine learning, aprendiendo sobre los datos. En esta aplicación astrofísica los algoritmos de aprendizaje automático se usan específicamente para la detección de objetos transitorios o transientes”, comentó Parlange.
La Dra. Bolivia Cuevas Otahola, investigadora postdoctoral del IA-UNAM y co-coordinadora del grupo de trabajo internacional de Estrellas Variables en LSST compartió que “muchas de estas imágenes también se pueden obtener para otros tipos de objetos, como estrellas variables de diversos tipos, núcleos galácticos activos (AGNs) y algunos asteroides. El trasfondo astrofísico y el centro de la contribución del grupo mexicano a las alertas del proyecto es caracterizar supernovas y estrellas variables. Las supernovas son fundamentales como indicadores de distancia, así como para estudiar la historia de expansión del Universo y entender los estadios finales de la evolución de estrellas masivas. Por su parte, las estrellas variables —con sus múltiples tipos y subclases— permiten inferir distancias mediante el estudio de sus cambios periódicos de brillo, lo cual sirve para caracterizar estructuras como los discos de las galaxias, halos estelares de las galaxias, brazos espirales, barras, entre otras”.
Chris Hernández, estudiante de doctorado de la Universidad de Pittsburgh y desarrollador principal del gestor de alertas PITT-Google comentó: “Las soluciones computacionales como AstroTune se entrenan con arquitecturas avanzadas de visión por computadora y se integran al PITT-Google Broker, uno de los sistemas encargados de recibir, procesar y distribuir las alertas del LSST. La información que contienen las alertas se distribuye públicamente, lo que permite su análisis inmediato por parte de la comunidad científica internacional”.
El Dr. Michael Wood-Vasey, investigador de la Universidad de Pittsburgh y líder del Pitt-Google Broker, puntualizó: “A través de las alertas, buscamos y encontramos supernovas. La primera noche se detectaron unas 200 supernovas nuevas. Y cada noche será así, es decir, quizás vamos a detectar más de 100,000 supernovas por año”.
Procesamiento de datos
La magnitud de este sondeo astronómico y los volúmenes de información que generará serán muy superiores a los de proyectos anteriores. La cantidad de información que el LSST permite obtener cada noche es inmensa, y la comunidad de astrónomos que actualmente hay en el mundo no es suficiente para analizar todos estos datos. Pero, al mismo tiempo, es una excelente oportunidad para fortalecer la formación de nuevas generaciones de especialistas, involucrándoles en el análisis de la información, el desarrollo de herramientas de inteligencia artificial y la creación de nuevas formas de explorar el Universo.
El Dr. Valenzuela, coordinador del centro de datos de LSST en México agregó: “Se requiere mucha gente dada la gran cantidad de datos, por eso recurrimos a herramientas automatizadas y a colegas expertos en inteligencia artificial. Las herramientas desarrolladas en México, como AstroTune, aprovechan la infraestructura especializada de cómputo con unidades de procesamiento gráfico (GPUs) del Laboratorio de Modelos y Datos de la UNAM, y forman parte de las contribuciones en especie del país a esta colaboración científica internacional a través de un centro de datos independiente o IDAC. Estos desarrollos se integran al software de Pitt-Google, que puede procesar millones de alertas por día”. Cabe mencionar que, aunque había dos antecedentes en la misma línea dentro de LSST, este nuevo esfuerzo, AstroTune, basado en redes neuronales llamadas transformers de visión, es más preciso, comentó el Dr. Luis León del IA-UNAM.
Ciencia ciudadana
Además del impacto científico, el acceso abierto a las alertas permite que cualquier persona con una buena conexión a Internet consulte información, visualice datos y participe en su análisis. Y, por si fuera poco, LSST ofrece iniciativas de ciencia ciudadana, en las que personas sin formación especializada pueden colaborar en la clasificación de datos y contribuir activamente a la investigación.
Estos descubrimientos de frontera, en los que participa el IA-UNAM, permiten que la sociedad se acerque al proceso real de construcción del conocimiento científico. Comprender cómo se estudia el Universo y cómo colaboran equipos de distintos países ayuda a dimensionar que la ciencia es un esfuerzo colectivo en constante avance.
El equipo completo que colabora en este proyecto se conforma por el Dr. Octavio Valenzuela Tijerino (IA-UNAM), la Dra. Bolivia Cuevas Otahola (IA-UNAM), la Dra. Angeles Pérez Villegas (IA-UNAM), el Dr. Luis León Anaya (IA-UNAM), el Dr. Juan Carlos Cuevas Tello (UASLP), el M. en C. René Parlange (UASLP), el Dr. Michael Wood-Vasey (Universidad de Pittsburgh, Pitt-Google Broker) y el M. en C. Christopher Hernández (Universidad de Pittsburgh, Pitt-Google Broker).
Imágenes
Supernova de campo SN 1029zrk junto a la galaxia UGC 6625. La imagen fue producida usando imágenes en tres bandas (gri) de la cámara ZTF, en febrero de 2020, cerca del pico de luminosidad. La supernova está marcada con una cruz roja. La imagen ha sido extraída de Franson et al. 2022.
La clasificación se lleva a cabo comparando una observación a través de la cual se crea un modelo (template) a través de algoritmos de ML, que se compara con otra imagen del mismo objeto obtenida una fecha distinta. Se restan ambas imágenes y se obtiene una imagen de diferencia, la cual permite clasificar el objeto. Se muestran cuatro clases bien delimitadas: supernovas, estrellas variables, núcleos activos de galaxias y objetos del Sistema Solar. Dicha clasificación puede contener errores (falsos positivos) causados por efectos ópticos o ruido (artefactos). Los algoritmos desarrollados por los gestores de alertas (brokers) clasifican objetos en estas subclases si su variación es considerable. Nuestro grupo ha logrado abordar de manera exitosa con AstroTune el problema de clasificación entre supernovas y artefactos (ver figura 3).
Tripletas similares a las de la figura 2 del Dark Energy Survey Supernova Program (DES-SN, Goldstein et al, 2015). Estos datos han sido usados como parte del entrenamiento de AstroTune. Mostramos dos ejemplos: en la primera fila, un artefacto (detección falsa) clasificado como artefacto y en la segunda fila, una supernova real, exitosamente clasificada. A pesar del objeto que domina la imagen en la esquina izquierda, notamos que la imagen de diferencia muestra la existencia de cambios en el objeto en el tiempo.
Ubicado en Cerro Pachón en el Norte de Chile. A la derecha el domo que contiene el telescopio Simonyi. A la izquierda de la imagen se observa el telescopio auxiliar.
Unidad de Comunicación y Cultura Científica (UC3)
Instituto de Astronomía, UNAM
Mtra. Brenda C. Arias Martín │Jefatura de UC3
Luisa Fernanda González Arribas │Redacción
Contacto para entrevistas: uc3@astro.unam.mx / 55 56 22 39 97
