{"id":507653,"date":"2024-03-29T10:28:49","date_gmt":"2024-03-29T13:28:49","guid":{"rendered":"https:\/\/revistapesquisa.fapesp.br\/?p=507653"},"modified":"2024-03-29T10:28:49","modified_gmt":"2024-03-29T13:28:49","slug":"la-inteligencia-artificial-ayuda-a-distinguir-a-las-galaxias-espirales-de-las-elipticas","status":"publish","type":"post","link":"https:\/\/revistapesquisa.fapesp.br\/es\/la-inteligencia-artificial-ayuda-a-distinguir-a-las-galaxias-espirales-de-las-elipticas\/","title":{"rendered":"La inteligencia artificial ayuda a distinguir a las galaxias espirales de las el\u00edpticas"},"content":{"rendered":"<p>Un equipo internacional encabezado por astrof\u00edsicos del Centro Brasile\u00f1o de Investigaciones F\u00edsicas (CBPF) clasific\u00f3 la forma de unas 164.000 galaxias visibles en el cielo del hemisferio sur utilizando dos algoritmos de inteligencia artificial desarrollados en el pa\u00eds. El primero analiz\u00f3 las im\u00e1genes e identific\u00f3 objetos que pod\u00edan dificultar la categorizaci\u00f3n de las galaxias seg\u00fan sus contornos, como la presencia de un cuerpo extremadamente luminoso en el campo de visi\u00f3n. Tambi\u00e9n le asign\u00f3 a cada imagen una probabilidad de ser \u00fatil para determinar la forma de una galaxia. El segundo algoritmo realiz\u00f3 la clasificaci\u00f3n propiamente dicha de estos enormes agrupamientos de miles de millones de estrellas con base en la distribuci\u00f3n y la concentraci\u00f3n de los puntos luminosos m\u00e1s peque\u00f1os (p\u00edxeles) que componen las im\u00e1genes. El estudio utiliz\u00f3 los registros de las galaxias obtenidos por el telescopio rob\u00f3tico brasile\u00f1o T80S, que se encuentra en operaci\u00f3n en Chile desde 2016.<\/p>\n<p>Se clasific\u00f3 alrededor del 98 % de las galaxias en dos grandes clases: el 69 % como espirales y el 29 % como el\u00edpticas. El 2 % restante estaba compuesto por galaxias cuya categor\u00eda no se pudo determinar por diferentes motivos: presentaban un formato irregular, exhib\u00edan estructuras h\u00edbridas que las perfilaban como pertenecientes a las dos grandes categor\u00edas, o bien no se ajustaban a ninguna clasificaci\u00f3n conocida. Los resultados fueron presentados en un estudio aceptado para su publicaci\u00f3n en la revista cient\u00edfica <em>Monthly Notices of the Royal Astronomical Society<\/em>. \u201cNuestras pruebas de validaci\u00f3n indican que el grado de acierto de nuestro m\u00e9todo, que utiliza t\u00e9cnicas de inteligencia artificial para clasificar las galaxias, es de un 98,5 %\u201d, comenta el astrof\u00edsico Cl\u00e9cio Roque de Bom, del CBPF. El investigador fue el creador de los dos algoritmos utilizados en el trabajo y es el autor principal del art\u00edculo.<\/p>\n<p>La configuraci\u00f3n de una galaxia contiene pistas sobre su historia y su proceso de formaci\u00f3n. Las m\u00e1s comunes son las galaxias espirales, como la V\u00eda L\u00e1ctea. Su regi\u00f3n central, lo que se conoce como el bulbo gal\u00e1ctico, alberga una concentraci\u00f3n de estrellas, generalmente m\u00e1s antiguas. Desde el bulbo se proyectan hileras de estrellas m\u00e1s j\u00f3venes, alimentadas por la presencia de gas fr\u00edo, que trazan l\u00edneas curvas abiertas en el espacio, las bellas estructuras conocidas informalmente como brazos.<\/p>\n<p>Desprovistas de grandes cantidades de gas, las galaxias el\u00edpticas no suelen formar nuevas estrellas y se caracterizan por exhibir una estructura m\u00e1s simple y mon\u00f3tona. Su formato es redondo u ovalado y est\u00e1n formadas principalmente por estrellas viejas. \u201cLas galaxias el\u00edpticas se encuentran generalmente en el centro de los conglomerados de galaxias, mientras que las galaxias espirales est\u00e1n situadas en la periferia\u201d, comenta Bom.<\/p>\n<div id=\"attachment_507658\" style=\"max-width: 1150px\" class=\"wp-caption alignnone\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-507658 size-full\" src=\"https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2024\/03\/RPF-galaxias-NGC2525-Messier59-2023-09-site-1140-1.jpg\" alt=\"\" width=\"1140\" height=\"630\" srcset=\"https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2024\/03\/RPF-galaxias-NGC2525-Messier59-2023-09-site-1140-1.jpg 1140w, https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2024\/03\/RPF-galaxias-NGC2525-Messier59-2023-09-site-1140-1-250x138.jpg 250w, https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2024\/03\/RPF-galaxias-NGC2525-Messier59-2023-09-site-1140-1-700x387.jpg 700w, https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2024\/03\/RPF-galaxias-NGC2525-Messier59-2023-09-site-1140-1-120x66.jpg 120w\" sizes=\"auto, (max-width: 1140px) 100vw, 1140px\" \/><p class=\"wp-caption-text\"><span class=\"media-credits-inline\">ESA\u2009\/\u2009Hubble &amp; NASA | ESA\u2009\/\u2009Hubble &amp; NASA, P. Cote<\/span>Ejemplos de las dos clases principales de galaxias, la espiral NGC 2525 (<em>la der.<\/em>) y la el\u00edptica Messier 59<span class=\"media-credits\">ESA\u2009\/\u2009Hubble & NASA | ESA\u2009\/\u2009Hubble & NASA, P. Cote<\/span><\/p><\/div>\n<p><strong>De lo manual a lo autom\u00e1tico<br \/>\n<\/strong>Hace algunas d\u00e9cadas, los astrof\u00edsicos clasificaban a las galaxias y otros objetos manualmente. Para ello observaban una por una las im\u00e1genes disponibles y llegaban a un veredicto. Con la enorme cantidad de registros de cuerpos celestes obtenidos por diferentes exploraciones del cielo visible, este proceso artesanal fue sustituido, al menos como primera aproximaci\u00f3n, por clasificaciones automatizadas.<\/p>\n<p>Los avances en inform\u00e1tica y, m\u00e1s recientemente, en los campos de la inteligencia artificial y el aprendizaje autom\u00e1tico permiten ahora procesar y analizar millones de im\u00e1genes con gran rapidez. \u201cGracias a los algoritmos, el tiempo que se tarda en clasificar una galaxia es de algunos milisegundos\u201d, dice la astrof\u00edsica italiana Arianna Cortesi, del Observatorio de Valongo de la Universidad Federal de R\u00edo de Janeiro (OV-UFRJ), otra de las autoras del estudio. \u201cHay dos par\u00e1metros muy importantes para que esto sea posible: la resoluci\u00f3n y la profundidad de las im\u00e1genes\u201d. En otras palabras, el c\u00f3digo del algoritmo solo es capaz de \u201cdivisar\u201d los brazos y otras estructuras de las galaxias porque trabaja con registros de buena calidad de estos objetos celestes.<\/p>\n<p>El telescopio T80S trabaja principalmente para el proyecto Southern Photometric Local Universe Survey (S-Plus). Esta iniciativa se propone cartografiar la mitad del cielo del hemisferio sur, incluyendo algunas regiones fuera del campo de visi\u00f3n de otros sondeos. El T80S tiene un espejo de tan solo 80 cent\u00edmetros, pero cuenta con una c\u00e1mara con un campo de visi\u00f3n muy amplio, ideal para escanear vastas \u00e1reas del cielo en un breve espacio de tiempo.<\/p>\n<p>Otra de las particularidades del telescopio es que dispone de un filtro que produce im\u00e1genes en 12 bandas fotom\u00e9tricas diferentes de los cuerpos celestes observados. \u201cLa mayor\u00eda de las prospecciones se basan en im\u00e1genes de los objetos mapeados de entre cuatro y seis bandas\u201d, comenta la astrof\u00edsica Claudia Mendes de Oliveira, del Instituto de Astronom\u00eda, Geof\u00edsica y Ciencias Atmosf\u00e9ricas de la Universidad de S\u00e3o Paulo (IAG-USP), quien dise\u00f1\u00f3 el T80S y es la coordinadora del S-Plus. \u201cNuestras im\u00e1genes contienen mucha informaci\u00f3n y la inteligencia artificial es una herramienta importante para ayudarnos a analizarlas\u201d.<\/p>\n<p>Hasta la fecha, el relevamiento S-Plus ha catalogado y divulgado im\u00e1genes de 21 millones de objetos celestes. Los cient\u00edficos que participan en el proyecto son alrededor de 200, el 60 % de ellos brasile\u00f1os. El T80S se construy\u00f3 y opera con financiaci\u00f3n mayoritaria de la FAPESP. El Consejo Nacional de Desarrollo Cient\u00edfico y Tecnol\u00f3gico (CNPq), la Financiadora de Estudios y Proyectos (Finep) y la Fundaci\u00f3n de Apoyo a la Investigaci\u00f3n Cient\u00edfica del Estado de R\u00edo de Janeiro (Faperj) tambi\u00e9n contribuyeron para la puesta en marcha del telescopio.<\/p>\n<p class=\"bibliografia separador-bibliografia\"><strong>Proyecto<\/strong><strong><br \/>\n<\/strong>Ciencia con el telescopio rob\u00f3tico brasile\u00f1o (<a href=\"https:\/\/bv.fapesp.br\/pt\/auxilios\/107891\/ciencia-com-o-telescopio-robotico-brasileiro\/\" target=\"_blank\" rel=\"noopener\">n\u00ba 19\/26492-3<\/a>);\u00a0<strong>Modalidad<\/strong>\u00a0Proyecto Tem\u00e1tico;\u00a0<strong>Investigadora responsable<\/strong>\u00a0Claudia Mendes de Oliveira (USP);\u00a0<strong>Inversi\u00f3n<\/strong> R$ 3.899.778,96.<\/p>\n<p class=\"bibliografia\"><strong>Art\u00edculo cient\u00edfico<\/strong><strong><br \/>\n<\/strong>DE BOM, C. R.\u00a0<em>et al<\/em>.\u00a0<a href=\"https:\/\/arxiv.org\/pdf\/2306.08684.pdf\" target=\"_blank\" rel=\"noopener\">An extended catalogue of galaxy morphology using deep learning in southern photometric local universe survey data release 3<\/a>.\u00a0<strong>ArXiv<\/strong>. 16 jun. 2023.<\/p>\n","protected":false},"excerpt":{"rendered":"Algoritmos clasifican 160.000 agrupamientos de miles de millones de estrellas con base en im\u00e1genes obtenidas con un telescopio rob\u00f3tico brasile\u00f1o","protected":false},"author":13,"featured_media":507654,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[181],"tags":[274,304],"coauthors":[101],"class_list":["post-507653","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-es","tag-astronomia-es","tag-fisica-es"],"acf":[],"_links":{"self":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/507653","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/users\/13"}],"replies":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/comments?post=507653"}],"version-history":[{"count":1,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/507653\/revisions"}],"predecessor-version":[{"id":507662,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/507653\/revisions\/507662"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media\/507654"}],"wp:attachment":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media?parent=507653"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/categories?post=507653"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/tags?post=507653"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/coauthors?post=507653"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}