En vivo 🟠 SEÑAL ONLINE

Investigadora chilena usará machine learning para estudiar estrellas masivas

Investigadora chilena usará machine learning para estudiar estrellas masivas

  -

Tiempo de lectura: 2 minutos En el marco del proyecto internacional OCEANS, la académica Raquel Pezoa liderará el desarrollo de algoritmos basados en redes neuronales para predecir parámetros estelares y de viento de estos cuerpos celestes.

Comparte:

Lograr una mayor comprensión de las estrellas masivas, cuya masa es ocho veces superior a la del sol, es el objetivo central del proyecto Overcoming Challenges in the Evolution and Nature of Massive Stars (OCEANS), financiado por la Unión Europea a través de su programa Horizon y que cuenta con la participación de destacadas instituciones e investigadores/as nacionales e internacionales. 

Integrando conocimientos propios de la astrofísica con capacidades informáticas, OCEANS buscará explorar, profundizar y descubrir nuevo conocimiento sobre los procesos y propiedades físicas de estas estrellas, junto con mejorar la precisión de diversos parámetros con los que son estudiadas. Esto será realizado mediante el desarrollo de herramientas para el procesamiento de información, específicamente a partir del uso de machine learning y redes neuronales.

“Se trata de volúmenes de datos muy grandes, cuyo análisis es común que se realice de forma exhaustiva, por lo que se requiere de técnicas que automaticen el proceso. Por ello, utilizando redes neuronales probabilísticas podemos generar modelos automáticos que apoyen a los astrofísicos a predecir parámetros estelares y estimar errores que conduzcan a la obtención de información más precisa”, comenta la Dra. Raquel Pezoa, investigadora CCTVal y una de las representantes de la Universidad Técnica Federico Santa María en la colaboración. 

Concretamente, el rol de la Dra. Pezoa estará centrado en el desarrollo de algoritmos que permitan, al momento de recibir datos provenientes de las estrellas, contar con modelos de aprendizaje profundo capaces de medir y predecir parámetros estelares, como por ejemplo su temperatura, velocidad de rotación, tasa de pérdida de masa y velocidad de rotación terminal. Esta automatización, según detalla, será posible a partir de la información generada por astrofísicos que formulan “estrellas sintéticas”, las que son luego contrastadas con estrellas reales observadas.

Machine learning para estudiar el espacio

“El interés principal es analizar los parámetros que definen estas estrellas y que nos ayudan a comprenderlas. Las estrellas masivas juegan un rol clave en muchos procesos del Universo, en particular a través de sus vientos y poderosas explosiones de supernovas que contribuyen al enriquecimiento químico de su entorno. Utilizando aprendizaje automático, en particular, redes neuronales profundas, podemos contribuir a determinar de mejor forma su evolución, proporcionando mayor conocimiento sobre como estas estrellas enriquecen el Universo con enormes cantidades de energía y material procesado químicamente”, agrega la también académica del Departamento de Informática USM.

OCEANS, encabezado por la Dra. Michaela Kraus, investigadora de la Academia Checa de Ciencias, dará continuidad a un proyecto anterior denominado Physics of Extreme Massive Stars (POEMS) y se extenderá por cuatro años a partir de su inicio en 2025. En su ejecución contará con la participación de 16 instituciones de Europa y América Latina, siendo la Universidad de Valparaíso, la Universidad Mayor y la Universidad Técnica Federico Santa María las representantes nacionales. En el caso de esta última, junto a la Dra. Pezoa estará también Marcelo Montecinos, astrofísico de la misma casa de estudios. 

“Una de las grandes características de este proyecto es que es significativamente colaborativo. Estamos aplicando técnicas de informática y aprendizaje automático en un contexto de estudio des estrellas masivas, lo que lo hace bastante novedoso también. Tenemos muchos datos, y con el uso de estas técnicas podemos mejorar su análisis, medir errores e incertidumbres de los modelos y, en definitiva, contribuir con resultados que serán más precisos y confiables”, finaliza la investigadora. 


Te puede interesar