Ingresa a

Sergiovirtual

INGRESA A MOODLE

Haz Clic Aquí

Incorrecto

Ingresa a

SergioNET

Comunidad Sergista en línea



Olvidé mi contraseña
¿Cuál es mi usuario?

Ingresa a

Tucorreo

Si eres estudiante


Si eres FUNCIONARIO

haz clic aquí

Menu

REDES NEURONALES EN LA ASTRONOMÍA Y EN LAS CIENCIAS PLANETARIAS

Adriana Araujo Salcedo, directora del semillero SAROS de Matemáticas y Astronomía y docente Sergista, explica qué son las redes neuronales y cómo las tecnologías 4.0 pueden aportar a su diseño.

Por: Adriana Victoria Araujo Salcedo
Docente tiempo completo, programa de Matemáticas, Universidad Sergio Arboleda.

Ya es común leer que la inteligencia artificial (IA) nos ayuda a hacer la vida más fácil. Tareas como explorar en las plataformas de streaming, solicitar domicilios o que un artefacto detecte polvo, se active e inicie su labor autónoma de limpieza, son algunas soluciones que aporta la IA a la cotidianidad.

Y tal vez no se escuche mucho, pero ya hace un tiempo se está trabajando en el aprendizaje de máquina, específicamente en redes neuronales, en la astronomía y en las ciencias planetarias.

Las redes neuronales son algoritmos matemáticos que sirven para indagar cómo aprende nuestro cerebro, precisamente, para permitir el entrenamiento de máquinas. Así como el cerebro humano actúa ante tareas cada vez más complicadas, las redes neuronales se basan en capas para procesar mejor la información, llevando internamente un conocimiento más profundo, basado en las entradas que previamente le dimos a la red neuronal.

El diseño de redes neuronales está basado en lo que se aspira lograr en cuanto al funcionamiento de este cerebro artificial. Por ejemplo, clasificar, reducir datos o, incluso, buscar características específicas en ciertas imágenes. Dentro de los tipos de redes neuronales, está uno muy utilizado en el análisis de imágenes: redes neuronales de convolución – CNN (Convolutional Neural Network por sus siglas en inglés). Estas redes están basadas en el operador matemático de convolución, el cual tiene el efecto de filtrar la imagen de entrada con un núcleo previamente entrenado. En la astronomía, por ejemplo, es posible encontrar un mar de datos. La vía láctea, la galaxia donde vivimos es parte de lo que se conoce como el grupo local.

Y a su vez, el Supercúmulo de Virgo o Supercúmulo Local es el supercúmulo de galaxias que contiene al Grupo Local y con él, a nuestra galaxia.

Poder clasificar o conocer la morfología de las galaxias es algo importante en astronomía, ya que permite describir los objetos que viven en estos grupos. ¿Pero qué ocurre cuando el número de galaxias sobrepasa la capacidad del ojo humano?

Es ahí donde, por ejemplo, un grupo de astrónomos del observatorio astronómico nacional de Japón, utilizó datos del telescopio SUBARU, ubicado en el monte Mauna kea, en Hawai, y a través de una red neuronal de convolución, junto con el conocimiento profundo de máquinas, lograron clasificar 80 mil galaxias espirales, ubicadas a unos 2.5 billones de años luz.

Las ciencias planetarias tampoco son ajenas al uso de redes neuronales para ciertas investigaciones, específicamente en asteroides.

La misión OSIRIS-REX, Origin Spectral Interception Resource Identification Security Regolith Explorer (por sus siglas en inglés) es una misión de análisis y toma de muestra de la Agencia Aeroespacial NorteAmericana – NASA, que tuvo su lanzamiento en septiembre de 2016 y, junto con Juno y NewHorizon, forma parte de la gran misión de exploración espacial New Frontier USA. Esta sonda duró dos años en llegar a su objetivo, un asteroide de tipo espectral C, es decir, carbonáceo, denominado 1999RQ36 o, como comúnmente se le conoce, asteroide Bennu.

Dicho asteroide, es un cuerpo menor del Sistema Solar, dentro de lo que conocemos como un objeto cercano a la Tierra, potencialmente peligroso o NEAPHA, por sus siglas en inglés. Bennu fue escogido entre más de 7000 asteroides para ser estudiado y, posteriormente, ser parte de las importantes misiones de toma de muestras de asteroides. En su mayoría, está constituido por compuestos orgánicos.

Esta característica particular lo ubicó en el top de una larga lista de candidatos que esta misión estaba tomando en cuenta para dicha toma de muestra. Analizar cuerpos con estas características, suma investigaciones al origen de los compuestos orgánicos aquí en la Tierra y, por supuesto, a un entendimiento más a fondo del surgimiento de la vida en nuestro planeta.

Uno de los objetivos de esta misión era explorar el regolito del asteroide REX, nombre dado a la misión en honor a Regolith Explorer, y con ello, mapear y caracterizar la superficie de este. Un grupo de investigadores del Centro Nacional de Ciencias e Investigación Científica (CNRS) y el Laboratorio Lagrange del Observatorio y Universidad de Cote d’azur de Francia, utilizaron el aprendizaje automático de máquinas y, con las primeras imágenes enviadas por la sonda a las bases de control en Tierra, investigaron las posibles zonas de regolito del asteroide.

Observaciones con los telescopios desde Tierra, sugerían unos pocos centímetros de franjas de un material de grano fino, es decir, de regolito, pero a partir de las primeras imágenes de la misión el panorama cambió. Una superficie cubierta de rocas y la misteriosa falta de ese grano fino, a pesar de evidencias de procesos capaces de contribuir a la formación de ello, llevó al equipo a investigar a fondo dichas imágenes.

Las imágenes de la sonda, no contaban con una gran resolución y, por tanto, tratar de identificar zonas de pequeñas o grandes rocas dificultaba el proceso de reconocimiento de dicho material, convirtiéndose en un gran reto para el equipo. La emisión térmica del regolito es diferente a la de las rocas grandes y esto es debido a que, lo que destacan del primero, es el tamaño de las partículas, mientras que del segundo se resalta la porosidad.

La red neuronal estaría entrenada con imágenes de emisiones térmicas de regolito, mezclado con imágenes de rocas de diversas porosidades. En ese proceso, analizaron 122 áreas de la superficie de Bennu y el resultado fue algo novedoso, el regolito fino no se distribuye aleatoriamente en la superficie de Bennu.

Luego del análisis de las imágenes, a partir del aprendizaje de maquinas, la conclusión del equipo es que existe una relación inversa entre la porosidad de las rocas y la existencia de regolito fino en la superficie del asteroide.

Entre más porosa sea la roca en la superficie, menos regolito existirá sobre ella. La razón radica en que una roca porosa consigue disipar la energía de posibles impactos sobre estas rocas, entonces, ante un posible impacto meteorítico la energía de impacto es absorbida por dichos poros, evitando así que se fragmente y, por tanto, inhiba la formación de regolito en la superficie.

Con todo lo anterior, el uso de la inteligencia artificial y de las matemáticas va más allá de ese impacto en la vida diaria… Llega hasta la exploración de objetos que están a 2.5 billones de años luz de distancia y a objetos que son considerados progenitores del origen de los compuestos orgánicos, aquí en la Tierra.


LEA TAMBIÉN