Corrimientos al rojo fotométricos, modelos, pruebas combinadas y
Este grupo se compone de investigadores de diversas áreas que trabajarán para la Colaboración Científica de Energía Oscura (DESC en inglés).
Casi todas las galaxias observadas se alejan de nosotros debido a la expansión del Universo, y entre más lejos están de nosotros más rápido se alejan. Para medir esta velocidad analizamos la luz de las galaxias, que entre más rápido se alejan, su luz se observa con una mayor longitud de onda. Esto lo conocemos como corrimiento al rojo porque las galaxias aparentan ser más rojas entre más rápido se mueven. Como la cantidad de galaxias que observará LSST es tan grande, tomaría demasiado tiempo analizar la luz de cada galaxia individualmente. Así que ocuparemos programas de inteligencia artificial, modelos de evolución estelar y comparación con otros telescopios para determinar el corrimiento al rojo únicamente a partir de las imágenes entregadas por LSST. Nuestro grupo de trabajo también se asegura de que los códigos estén bien optimizados para analizar la gran cantidad de datos que observará el telescopio.
Los colaboradores de este grupo Josué De Santiago (Secihti-Cinvestav) y David Márquez (Cinvestav).
Otros trabajos que se realizarán en este grupo incluyen usar algoritmos de inteligencia artificial para identificar y clasificar eventos transitorios en el Universo, que son aquellos objetos que cambian en tiempos cortos. Por ejemplo cuando las estrellas explotan al morir formando supernovas, que son sumamente brillantes. Estos fenómenos aunque son raros en el Universo, pueden ser captados por el telescopio Vera Rubin debido a su gran área de visión y su sensibilidad.
En el esfuerzo por entender mejor estos fenómenos más dinámicos y efímeros del universo las y los científicos del Observatorio Vera C. Rubin están utilizando técnicas avanzadas de inteligencia artificial que permiten analizar con gran precisión las imágenes del cielo capturadas para el Legacy Survey of Space and Time (LSST). En el caso de los transitorios, se procesan recortes en los que se ha detectado una variación repentina en la luz proveniente del espacio. El reto consiste en clasificar de forma automática y sistemática estos eventos, tanto galácticos (por ejemplo, ciertas estrellas variables) como extragalácticos brillantes (por ejemplo, supernovas).
Para ello, parte de la colaboración mexicana LSST-MX utiliza Vision Transformers (ViT), que incorporan mecanismos de atención, y modelos MLP-mixer para clasificar de forma precisa las imágenes. Además, se colabora con la Universidad de Pittsburgh (EE. UU.) integrando algoritmos de aprendizaje automático al Pitt-Google broker, para procesar millones de alertas astronómicas.
Gracias a estos modelos, no sólo se optimiza la identificación de los eventos transitorios, sino que también es posible descubrir nuevas clases de fenómenos aún no categorizados. Esta combinación de astronomía e inteligencia artificial representa una frontera innovadora para explorar un universo en constante cambio.
Los miembros de LSST-MX que participan en este proyecto son René Parlange (UASLP), Juan Carlos Cuevas Tello (UASLP), Bolivia Cuevas (BUAP), Octavio Valenzuela (UNAM) y Ángeles Pérez-Villegas (UNAM).