La astronomía está experimentando una revolución gracias a la combinación de inteligencia artificial y la participación de usuarios voluntarios. Un innovador proyecto ha demostrado cómo esta colaboración puede facilitar la clasificación de galaxias distantes y mejorar la precisión en la identificación de objetos astronómicos, marcando un antes y un después en la investigación del cosmos.
La participación de usuarios: Dark Energy Explorers
Todos los usuarios han interactuado alguna vez con un CAPTCHA, esas pruebas visuales diseñadas para distinguir humanos de máquinas. Lo que podría parecer una simple herramienta de seguridad es en realidad un ejemplo de cómo se pueden usar datos humanos para entrenar algoritmos de IA en tareas complejas, como leer palabras distorsionadas en condiciones inusuales. Inspirados en este modelo, un equipo de astrónomos decidió aplicar un enfoque similar para identificar galaxias.
El proyecto, enmarcado en el Experimento de Energía Oscura del Telescopio Hobby-Eberly (HETDEX), busca mapear galaxias ubicadas entre 9 y 11 mil millones de años luz de distancia. Estas galaxias contienen información crucial sobre la velocidad de expansión del universo y la historia cósmica entre 6 y 10 mil millones de años atrás. Sin embargo, analizar la enorme cantidad de datos astronómicos que genera este estudio representa un desafío monumental.
Para abordar este reto, los científicos crearon el programa Dark Energy Explorers, diseñado para entrenar a usuarios en la clasificación de imágenes astronómicas sin requerir conocimientos técnicos. Estas imágenes, que a menudo parecen simples patrones de ruido estático, debían ser evaluadas por los participantes. Los usuarios podían optar por conservar una imagen si creían que contenía una galaxia o descartarla si no era clara.
Desde el lanzamiento del programa, cerca de 17,000 usuariosde todo el mundo han clasificado casi 200,000 imágenes, convirtiéndose en piezas clave de esta iniciativa. Esta colaboración masiva no solo permitió avanzar en la organización de los datos, sino también generar un conjunto estructurado que sirvió como base para entrenar algoritmos de aprendizaje automático.
Entrenando a la IA: El algoritmo t-SNE
El siguiente paso consistió en integrar los datos clasificados por humanos en un sistema de inteligencia artificial basado en el algoritmo t-distributed stochastic neighbor embedding (t-SNE). Este algoritmo utiliza puntuaciones asignadas a cada imagen: un 1 si los usuarios consideraban que contenía una galaxia, y un 0 si decidían descartarla. Las puntuaciones promedio entre 0 y 1 proporcionaron al algoritmo un marco para aprender a identificar galaxias.
El entrenamiento del algoritmo demostró ser notablemente efectivo. En pruebas realizadas con nuevas imágenes, el t-SNE alcanzó un 92 % de precisión al caracterizar imágenes con puntuaciones de 0.3 o menores y una coincidencia del 98 % con las decisiones humanas para imágenes con puntuaciones de 0.1 o inferiores. Además, la IA mostró capacidad para detectar artefactos, es decir, errores sistemáticos en los datos provenientes de fallas en el telescopio o el software de limpieza.
A pesar de trabajar inicialmente con 1.2 millones de imágenes, los científicos planean aplicar este enfoque a la totalidad del conjunto de datos HETDEX, que es 1,000 veces más grande. Uno de los hallazgos más significativos fue que la IA pudo descartar de manera eficiente alrededor del 5 % de las imágenes debido a errores o ruido excesivo, facilitando así análisis más precisos en el futuro.
Sin embargo, el sistema no está exento de limitaciones. Un problema identificado es el sesgo sistemático hacia el descarte de fuentes cercanas a la Tierra, lo que podría aumentar la contaminación de datos en exploraciones más profundas del universo. Además, los investigadores reconocieron que los usuarios, ni siquiera los expertos están exentos de cometer errores en la clasificación de galaxias. Por esta razón, sostienen que la combinación de científicos expertos, voluntarios capacitados e IA proporciona resultados más sólidos que cualquiera de estos elementos trabajando por separado.
Un Futuro colaborativo en la astronomía
El éxito de proyectos como Dark Energy Explorers subraya el potencial de la ciencia colaborativa en la era digital. La combinación de la inteligencia humana con el poder de la IA no solo amplía la cantidad de información que los astrónomos pueden procesar, sino que también fomenta una comunidad científica más grande y diversa.
A medida que los datos astronómicos continúan creciendo en volumen y complejidad, iniciativas como esta pueden convertirse en un modelo para resolver otros desafíos científicos. Con la ayuda de voluntarios y sistemas de IA cada vez más avanzados, el estudio del universo sigue superando barreras, acercándonos un paso más a comprender los misterios del cosmos.
Finalmente, puedes entrar al programa aquí.
La unión de tecnología y ciencia ciudadana promete ser uno de los motores más potentes para el futuro de la investigación astronómica y más allá.
Referencia:
- McDoland Observatory/The Hobby-Eberly Telescope Dark Energy Experiment. Link.
