La inteligencia artificial se aplica por primera vez en imágenes históricas del Hubble para medir el movimiento de sistemas estelares alejados.
La Universidad Internacional de La Rioja (UNIR) está participando en un proyecto pionero dirigido por la Southern Connecticut State University (New Haven, EE.UU.) que utiliza técnicas de Inteligencia Artificial para estudiar imágenes históricas del telescopio espacial Hubble y medir el movimiento de sistemas estelares remotos, como los cúmulos globulares.
Los investigadores han desarrollado un algoritmo basado en Deep Learning que permite determinar con precisión la posición astrométrica de las estrellas, y por lo tanto su movimiento propio, utilizando las imágenes captadas por la cámara Wide Field Planetary Camera 2 (WFPC2) del telescopio Hubble desde 1993.
Esta nueva técnica ha sido aplicada con éxito al estudio del cúmulo globular 47 Tucanae (NGC 104), situado en la constelación Tucana, a unos 16.700 años luz de distancia de la Tierra. Gracias a las más de 600 fotografías tomadas por el telescopio Hubble, se ha podido probar el método con una gran cantidad de datos y estrellas.
Estas observaciones históricas son muy importantes para el estudio del movimiento de estrellas y sistemas estelares remotos, como cúmulos y galaxias, que son imperceptibles para nosotros debido a su distancia. Poder calcular y predecir la posición de estos objetos nos permite entender cómo se mueven y a qué velocidad, mejorando así nuestro conocimiento de los modelos cosmológicos actuales.
Los algoritmos convencionales se enfrentan a problemas de submuestreo en los detectores de la cámara, lo que dificulta la medición precisa de la posición de las estrellas dentro de un píxel. Sin embargo, el algoritmo desarrollado por estos investigadores puede superar esta dificultad.
Según Roberto Baena Gallé, coautor de este trabajo y coordinador académico del Máster de Astrofísica de UNIR, "Cada estrella cae dentro de un píxel de la imagen del Hubble, que puede tener un tamaño de 100 milisegundos de arco o incluso menos, mientras que las estrellas tienen un movimiento propio aparente de pocos milisegundos de arco al año. Esto significa que necesitaríamos décadas de observación para poder apreciar el movimiento de las estrellas, lo que nos obliga a estudiar catálogos y posicionamientos de estrellas construidos muchos años atrás".
El algoritmo diseñado por estos investigadores permite determinar con precisión en qué milipíxel se encuentra la estrella. Para ello, se divide el píxel en una cuadrícula virtual de 1000x1000 posiciones y se estudia la distribución de luz en los alrededores. A diferencia de las técnicas convencionales, que ajustan formas conocidas de PSFs o funciones matemáticas, la técnica basada en Deep Learning simplemente mide las relaciones de intensidad entre los diferentes píxeles para determinar la posición de la estrella dentro de uno de ellos.
Según el investigador, esta técnica basada en Inteligencia Artificial mejora la precisión de la estimación en un 15-20% en comparación con las técnicas convencionales más avanzadas, que muestran cierta dependencia del error en función de la posición de la estrella dentro del píxel.
Los resultados de esta investigación han sido publicados en la revista Publications of the Astronomical Society of the Pacific y presentados parcialmente en la XV reunión de la Sociedad Española de Astronomía. En las próximas etapas, los investigadores planean extender esta técnica al análisis de la totalidad de la cámara WFPC2, así como a otros cúmulos estelares.
Los otros investigadores involucrados en este proyecto son Dana I. Casetti-Dinescu, de la Southern Connecticut State University y del Instituto Astronómico de la Academia Rumana; Terrence M. Girard y Max Martone, de la Southern Connecticut State University, y Kate Schwendemann, del Avon High School.