La UC participa en la elaboración del mayor cátalogo de galaxias existente

Jesús Vega-Ferrero, investigador del IFCA y del ICE, es una de las mentes que hay detrás de este proyecto. «La morfología de las galaxias está muy relacionada con la forma en que evolucionan estos sistemas, con sus estrellas, etc.», explica el científico quien, junto al resto de miembros del equipo, se ha servido de un catálogo de 300 millones de galaxias en el marco de la colaboración internacional con Dark Energy Survey (DES), que almacenó datos de aproximadamente «un octavo del cielo». Esa ayuda, sumada a la de la IA, ha sido fundamental para obtener un volumen ingente de sistemas diferentes. «Se han aplicado técnicas de IA, en particular redes neuronales convolucionales, para clasificarlas. Estas redes están basadas en algoritmos de aprendizaje automático y pueden aprender a clasificar las galaxias en dos tipos de morfologías: espirales, que tienen un disco giratorio donde nacen nuevas estrella; y elípticas, que son las galaxias más masivas del Universo, compuestas de estrellas antiguas que realizan movimientos aleatorios.

El resultado del estudio es una clasificación de 27 millones de galaxias, algunas de las cuales se encuentran a una distancia de hasta 8 giga-años o, dicho de otra manera, 8.000 millones de años. El catálogo permite tener una visión aproximada de cómo eran las galaxias cuando el Universo tenía la mitad de su edad actual, estudiar cómo han cambiado los sistemas en este periodo y observar cómo esos cambios estructurales tienen que ver con los caminos evolutivos de las galaxias.

El éxito de la iniciativa ha radicado en el correcto entrenamiento de la red neuronal. Los investigadores no sólo tenían un elevadísimo número de galaxias por clasificar, sino unas imágenes con mucho ruido debido a la distancia a la que se sitúan. Para solucionarlo, el equipo científico degradó las imágenes de alta calidad de las galaxias locales hasta obtener la apariencia que tendrían si estuvieran más distantes. De esta manera, ha sido posible aprender a clasificar incluso los ejemplos más difíciles.

Además de las implicaciones que tiene el proyecto para el propio conocimiento del universo, la metodología del proyecto arroja también resultados prometedores respecto a otros ámbitos. Porque el hecho de que las máquinas puedan aprender a reconocer patrones en datos con ruido y difíciles de interpretar puede tener aplicaciones directas en otros campos, como la seguridad, la industria del reconocimiento de imágenes, diagnósticos clínicos o el cambio climático.