La IA abre una nueva era en el estudio de la expansión del Universo y las supernovas

Un nuevo método basado en inteligencia artificial está revolucionando el estudio de las supernovas y podría mejorar de forma significativa la comprensión de la energía oscura y la expansión del Universo. El avance, desarrollado con participación del Instituto de Ciencias del Cosmos de la Universidad de Barcelona y publicado en Nature Astronomy, propone un enfoque que permite analizar grandes volúmenes de datos astronómicos con mayor precisión y menor costo.

El trabajo introduce un marco denominado CIGaRS, diseñado para extraer información clave a partir de imágenes de supernovas tipo Ia, reduciendo la dependencia de observaciones espectroscópicas, que suelen ser más complejas y costosas. Esta innovación resulta especialmente relevante para los futuros telescopios que generarán cantidades masivas de datos difíciles de procesar con métodos tradicionales.

Las supernovas tipo Ia cumplen un rol fundamental en la cosmología moderna. Se las considera “velas estándar”, ya que su brillo permite calcular distancias en el Universo. Comparando su luminosidad real con la observada desde la Tierra, los científicos pueden estimar qué tan lejos se encuentran y, a partir de ello, medir cómo se expande el cosmos. Este método fue clave para descubrir que la expansión del Universo se está acelerando, fenómeno atribuido a la energía oscura.

Sin embargo, este enfoque presenta limitaciones. No todas las supernovas se comportan de la misma manera: su brillo puede verse afectado por factores como la galaxia en la que se originan o el polvo interestelar que altera la luz. Estas variaciones introducen incertidumbre en las mediciones y dificultan la obtención de resultados precisos.

El nuevo modelo busca resolver este problema mediante un análisis integral que combina múltiples variables. CIGaRS evalúa simultáneamente las características de las supernovas, sus galaxias anfitrionas, la influencia del polvo cósmico y la frecuencia de estas explosiones a lo largo del tiempo. Además, integra estos elementos con modelos de la propia expansión del Universo.

Para lograrlo, los investigadores emplearon técnicas de inferencia basada en simulaciones. En términos prácticos, el equipo generó múltiples universos hipotéticos mediante modelos físicos y luego utilizó redes neuronales para identificar patrones entre esos escenarios y los parámetros cosmológicos reales. Este enfoque permite analizar grandes cantidades de datos de manera más eficiente y detectar posibles sesgos que antes pasaban desapercibidos.

Según los autores, la combinación de inteligencia artificial con modelos físicos podría mejorar hasta cuatro veces la precisión de las restricciones cosmológicas en comparación con métodos tradicionales basados en muestras más limitadas. Esto representa un salto significativo en la capacidad de medir variables clave del Universo.

Uno de los resultados más destacados del estudio es la posibilidad de estimar distancias galácticas con alta precisión utilizando únicamente imágenes. Este avance es crucial para el futuro de la astronomía, ya que permitirá aprovechar mejor los datos obtenidos por grandes observatorios sin depender exclusivamente de técnicas más costosas.

El desarrollo de este método está pensado para su aplicación en proyectos de gran escala, como el Observatorio Vera C. Rubin, actualmente en construcción en Chile. Este observatorio realizará un mapeo del cielo durante una década y se espera que detecte millones de supernovas. Sin embargo, solo una fracción de ellas podrá analizarse mediante espectroscopia, por lo que herramientas como CIGaRS serán clave para procesar el resto de los datos.

El enfoque también permite reducir sesgos en la selección y análisis de datos, un problema recurrente en estudios cosmológicos. Al integrar inteligencia artificial desde el inicio del proceso, los investigadores pueden obtener una visión más completa y precisa del comportamiento del Universo.

Este avance refleja cómo la inteligencia artificial se está consolidando como una herramienta central en la investigación científica. Su capacidad para procesar grandes volúmenes de información y detectar patrones complejos abre nuevas posibilidades en campos como la astronomía, donde los datos crecen a un ritmo acelerado.