Una partida de ajedrez tiene 20 movimientos de apertura posibles. Imagine que se le pide que inicie un juego con decenas de millones de aperturas. Esa fue la tarea asignada a Adam Friedman, un pasante de verano de 2020 en el Centro de Vuelo Espacial Goddard de la NASA en Greenbelt, Maryland. Campeón de ajedrez en la escuela secundaria Friedman analizó a su oponente:una avalancha de datos sobre los cambios de brillo de más de 70 millones de estrellas.

Usando enfoques computacionales tradicionales, la tarea de examinar y clasificar estas medidas podría haber llevado meses. Con el uso del aprendizaje automático, una forma de inteligencia artificial, esto se puede lograr en segundos. Trabajando con Brian Powell, un científico de datos en el Centro de Investigación del Archivo Científico de Astrofísica de Alta Energía en Goddard, Friedman entrenó un sistema informático para identificar una clase importante de estrellas variables sin programarlo explícitamente para hacerlo.

El aprendizaje automático permite que las computadoras procesen y clasifiquen inmensas cantidades de datos automáticamente, justo lo que se necesitaba para examinar el torrente de datos estelares. Para hacer esto, Powell creó una red neuronal:una serie de reglas matemáticas que intentan reconocer las relaciones subyacentes en los datos a través de un proceso que imita, de una manera muy simplificada, cómo funciona el cerebro humano. Para que funcione una red neuronal, aunque, debe ser entrenado.

"La pasantía consistió en recopilar datos de capacitación, "Friedman dijo, "porque el aprendizaje automático funciona mediante la recopilación de una gran cantidad de ejemplos para entrenar el modelo".

El satélite de estudio de exoplanetas en tránsito (TESS) de la NASA se lanzó en abril de 2018 para encontrar nuevos mundos más allá de nuestro sistema solar. o exoplanetas, monitoreando los cambios de brillo en las estrellas cercanas. Desde su lanzamiento, TESS ha observado casi todo el cielo. Quincenal, los rayos del satélite devuelven varios miles de imágenes grandes llamadas imágenes de fotograma completo de una sección del cielo planificada previamente.

Los astrónomos usan los datos para construir curvas de luz, gráficos que muestran cómo cambia el brillo de una estrella con el tiempo. A partir de los datos sin procesar de TESS, Powell usó el 129, 000 núcleos Descubra una supercomputadora en el Centro de Simulación Climática (NCCS) de la NASA en Goddard para construir millones de curvas de luz.

"Gracias al apoyo de NCCS, pudimos comenzar a construir curvas de luz en cantidades masivas. Tenemos aproximadamente 70 millones ahora, con más en camino. La ciencia de datos y el aprendizaje automático pueden ayudar a impulsar estos descubrimientos, permitiendo que grandes volúmenes de datos se clasifiquen y procesen más rápido y con mayor precisión que nunca, "Dijo Powell.

De esta enorme pila, Friedman quería identificar binarios eclipsantes, estrellas emparejadas que pasan alternativamente delante de, o tránsito, entre sí en todas las órbitas vistas desde la Tierra. Durante cada eclipse, el sistema se atenúa cuando una estrella pasa frente a la otra, lo que produce una caída en su curva de luz. "La función realmente útil de eclipsar binarios, y la razón por la que son la columna vertebral de la astrofísica, es que nos dan medidas directas de sus propiedades fundamentales, como su masa y tamaño, "dijo Veselin Kostov, un científico investigador en Goddard y el Instituto SETI en Mountain View, California. "Y a través de estas propiedades, podemos medir directamente distancias a estos sistemas. Nos brindan una de las pocas oportunidades para medir distancias directas en el universo ".

NCCS también proporcionó su grupo de unidades de procesamiento de gráficos de plataforma de análisis de datos avanzado para ejecutar la red neuronal que Powell codificó y entrenó a Friedman.

Friedman podría ingresar una curva de luz e instruir a la red neuronal para que la asigne a una categoría particular. Después de repetir esta acción miles de veces, la red neuronal comenzó a reconocer grupos de curvas de luz y a sugerir clasificaciones basadas en la probabilidad de que una curva determinada se ajuste a un grupo determinado. Friedman encontró ejemplos de curvas de luz para una amplia gama de sistemas estelares y las ingresó hasta que la red aprendió cómo se veía cada uno y pudo identificar nuevas curvas de luz de forma autónoma. Esto permitió que una tarea que hubiera tomado meses en una computadora de escritorio moderna se completara en unos pocos segundos.

El aprendizaje automático mejora enormemente la eficiencia de encontrar estos sistemas estelares en decenas de millones de imágenes TESS al aprender a identificar las características de un eclipse y etiquetar la curva de luz en consecuencia. Pero Friedman pronto notó una peculiaridad en algunas de las curvas de luz que la red había afirmado que eclipsaban a los candidatos binarios. Tenían salsas extra.

De vez en cuando, Los sistemas estelares pueden tener más de dos componentes. Si estas estrellas se eclipsan unas a otras, entonces la curva de luz tendrá atenuaciones adicionales que, a primera vista, aparecerá a intervalos irregulares. Friedman descubrió que eran candidatos para sistemas multiestrellas y luego comenzó una búsqueda exhaustiva de sistemas similares entre los binarios eclipsantes identificados por la red neuronal. En total, Friedman encontró ocho nuevos candidatos a sistemas estelares cuádruples. Estos casos son interesantes porque proporcionan información sobre cómo se forman y evolucionan los sistemas multiestrellas.

Friedman acababa de terminar su primer año como estudiante de ciencias de la computación en la Universidad de Michigan, y, al comienzo del verano, no tenía experiencia en astronomía, computación de alto rendimiento, Ciencia de los datos, o aprendizaje automático. Agravando la complejidad de la tarea en cuestión, Friedman realizó su pasantía desde casa debido a COVID-19, pero a pesar de estos desafíos, Powell dijo que se dio cuenta rápidamente.

"Él es nada menos que brillante, ", Dijo Powell." Adam tiene una asombrosa habilidad para ver las desviaciones de la periodicidad en las curvas de luz ". Con un resultado tan cósmicamente profundo de su pasantía, es fácil olvidar el curso del progreso de Friedman. "No es como si fuera un astrónomo y un experto en aprendizaje automático al comienzo del verano, ", añadió." Su capacidad para dominar conceptos y conjuntos de habilidades extremadamente complejos en tan poco tiempo es asombrosa ".

Friedman estaba agradecido por su tiempo con Powell durante el verano. Dijo:"Tengo que darle un gran crédito a Brian. Fue un mentor increíble; definitivamente fue el mejor supervisor que he conocido. Se reunió conmigo todos los días, solo para enseñarme cómo hacer el proyecto. Realmente fue un gran maestro ".