Las supernovas o explosiones estelares que se producen al final de la vida de cierto tipo de estrellas son uno de los objetos astronómicos que más han interesado a científicos y científicas de todo el mundo. La razón de ello es que estos fenómenos tienen gran importancia en diversos campos de estudio de la astronomía. No solo son útiles como grandes laboratorios de astrofísica estelar, ya que al explotar siembran el espacio con distintos elementos químicos, sino que también sirven para medir distancias cosmológicas y entender la composición química de las galaxias que las albergan.

Sin embargo, como en muchas áreas de la astronomía, la gran cantidad de datos que producen nuevos y modernos instrumentos puede hacer que su detección sea como encontrar una aguja en un pajar. Por esta razón, el desarrollo de herramientas computacionales es fundamental a la hora de analizar y seguir aprovechando la información que nos entregan.

Con esto en mente, el equipo de ALeRCE, bróker astronómico chileno impulsado por el Centro de Modelamiento Matemático (CMM) de la Universidad de Chile, el Instituto Milenio de Astrofísica (MAS), el Data Observatory y la Universidad de Concepción, desarrolló DELIGHT, nueva herramienta que permite identificar automáticamente las galaxias donde ocurren nuevas supernovas en el cielo y con ello determinar la distancia a la supernova con una alta precisión, un trabajo que fue publicado en la revista The Astronomical Journal.

Según explica Francisco Förster, director de ALeRCE e investigador asociado del CMM y del MAS, DELIGHT “funciona en base a una red neuronal artificial que recibe como entrada la posición en el cielo del candidato a supernova y que retorna la posición más probable de su galaxia”. El sistema entrega respuesta a un problema astrofísico importante de ser resuelto debido a las dificultades que se presentan por las distintas escalas y formas que tienen las galaxias.

“DELIGHT fue diseñado para funcionar muy rápidamente, utilizando imágenes de archivo multi resolución del cielo para lograr una descarga más rápida, pensando en su aplicación de forma masiva en los futuros telescopios de survey. Es una herramienta que puede utilizar toda la comunidad que haga investigación sobre supernovas o transientes, en general, y en particular a quienes quieran trabajar con grandes muestras de estos eventos”, comenta el investigador.

¿Cómo funciona?

Basándose en el sistema visual de los animales, los expertos de ALeRCE crearon una red neuronal que fue entrenada con más de 16 mil ejemplos que el equipo ha identificado manualmente al reportar de forma diaria nuevos candidatos a transientes en el Transient Name Server, herramienta oficial de la Unión Astronómica Internacional para comunicar nuevos objetos de este tipo. De acuerdo a Förster, este entrenamiento se realizó usando las librerías Tensorflow y Ray Tune, utilizando tarjetas GPU propias, obtenidas gracias al proyecto de infraestructura de los fondos Quimal de la Agencia Nacional de Investigación y Desarrollo, que ALeRCE se adjudicó a través del MAS en 2019.

“Esta herramienta tiene un gran potencial para acelerar el proceso de detección y caracterización de nuevas supernovas en grandes muestras de estos objetos. De hecho, ya está siendo de gran ayuda para la selección de galaxias anfitrionas diariamente, permitiéndonos ahorrar más de 30 minutos diariamente en el proceso de selección de galaxias de candidatos detectados por ALeRCE en el stream del ZTF (Zwicky Transient Facility). También hemos encontrado otros usos. Agregando información provista por DELIGHT, podemos detectar automáticamente y con más precisión eventos de destrucción de marea, que ocurren cuando una estrella se acerca a un agujero negro y es destruida por fuerzas de marea”, concluye el astrónomo.

Consulte la publicación científica relacionada: DELIGHT: Deep Learning Identification of Galaxy Hosts of Transients using Multiresolution Images