La inteligencia artificial descubre galaxias desordenadas

Una estudiante de doctorado de la Escuela de Investigación de Astronomía y Astrofísica de la Universidad Nacional de Australia (ANU) llamada Elise Hampton se ha inspirado en las redes neuronales del cerebro para crear un programa que destaca entre miles de galaxias sus objetivos de estudio, que son las galaxias más turbulentas y desordenadas del cosmos.

Hampton está especializada en el estudio de galaxias con núcleos incandescentes potenciados por agujeros negros que causan enormes vientos galácticos. "Creemos que estos vientos soplan mucho material fuera de las galaxias, lo que eventualmente causa su muerte", señala la investigadora.

Los vientos galácticos

Los vientos galácticos son corrientes de alta velocidad de partículas cargadas que a menudo se observan saliendo de las galaxias. Del interior de estas pueden expeler material (hacia el halo galáctico o hacia el medio intergaláctico), a velocidades de entre 300 y 3.000 kilómetros por segundo.

Los vientos galácticos son alimentados por núcleos galácticos activos, en los que acechan agujeros negros supermasivos. Si estos agujeros reúnen una cantidad significativa de materia, la salida de energía combinada del disco de unión y los chorros galácticos puede ser suficiente para expulsar gas ambiente desde la galaxia en forma de viento galáctico.
 
Los vientos galácticos también pueden ser alimentados por vientos estelares de alta velocidad expulsados de estrellas masivas recién formadas -similares al viento de nuestro Sol, sólo que mucho más denso y lleno de energía- o por explosiones de supernovas.
 
Se cree que los vientos galácticos desempeñan varias funciones importantes en la evolución de las galaxias. Son responsables de la redistribución de los metales en toda la galaxia y también regulan la formación de estrellas.

La meta de Hampton

La meta de Hampton es averiguar cómo, en galaxias desordenadas o turbulentas, diversos procesos de este tipo compiten para generar la vida y muerte de dichas galaxias.

Normalmente, los astrónomos interpretan los espectros de estas galaxias desordenadas, con el fin de distinguir la luz de estrellas en formación, la materia que cae en agujeros negros, vientos galácticos supersónicos, etc. Pero la interpretación de espectros es un proceso laborioso.

En la actualidad, telescopios robóticos como el ANU 2,3 metros y el Telescopio Anglo-Australiano están midiendo un gran número de espectros galácticos. Gracias al avance de Hampton, este proceso se podrá automatizar más.

Años reducidos a ocho minutos

De hecho, la aplicación de análisis basado en redes neuronales artificiales es un éxito bienvenido, tras una serie de enfoques fallidos, informa la ANU.

Las redes neuronales artificiales son una familia de programas de ordenador inspirados en el cerebro. Estos programas, por tanto, funcionan como un conjunto interconectado de procesadores individuales, del mismo modo que lo hacen las neuronas. A diferencia de los programas tradicionales de computación basados en reglas, además, estos programas están adaptados y son capaces de aprender.

En concreto, Hampton enseñó a su programa informático cómo analizar galaxias utilizando aproximadamente 4.000 espectros, previamente analizados por los astrofísicos.

"Me encanta la inteligencia artificial. En realidad, fue un programa muy sencillo de escribir, una vez que aprendí", explica Hampton sobre su avance en una nota de prensa publicada por la ANU. "El programa tardó ocho minutos en analizar 300.000 puntos de datos de 1.188 galaxias. Para hacer esto mismo, una persona necesitaría años de trabajo".

Hampton presentó su investigación la semana pasada en la Astronomical Data Analysis Software and Systems conference que se celebró entre el 25 y el 29 de octubre en el ARC Centre for All-Sky Astrophysics (CAASTRO) de Sydney (Australia).

Referencia bibliográfica:

Australian National University. Artificial intelligence finds messy galaxies: Artificial intelligence helps see astronomers see into the hearts of galaxies. ScienceDaily. 27 October 2015.