En esta noticia
Medir el universo siempre ha sido una tarea de precisión extrema. Cada avance en la forma de calcular distancias cósmicas permite afinar una pregunta mayor: cómo se expande el cosmos y qué papel cumple la energía oscura, uno de los grandes enigmas de la física moderna.
Una investigación internacional liderada por el Instituto de Ciencias del Cosmos de la Universidad de Barcelona desarrolló un método de inteligencia artificial capaz de analizar imágenes de supernovas de tipo Ia y estimar distancias con una precisión comparable a la de un espectrógrafo, según informa la agencia EFE aportado para esta nota.
El trabajo fue publicado en Nature Astronomy y lleva como referencia el artículo de Konstantin Karchev, Roberto Trotta y Raúl Jiménez, según informó la Universidad de Barcelona.
Logran medir las distancias cósmicas con imágenes de supernovas
Las supernovas de tipo Ia son explosiones de estrellas enanas blancas. Durante décadas fueron utilizadas como “candelas estándar” porque su brillo permite calcular la distancia a la que se encuentran: si se sabe cuánto deberían brillar y cuánto se ven desde la Tierra, los astrónomos pueden estimar cuán lejos están.
La Universidad de Barcelona explica que esta técnica fue clave para demostrar que la expansión del universo se acelera, fenómeno asociado a la energía oscura.
El problema es que esas explosiones no son tan uniformes como se pensaba. Su brillo puede variar según la galaxia en la que ocurren, la edad de sus estrellas, la cantidad de polvo o las propiedades del entorno. Hasta ahora, esos efectos se corregían con ajustes aproximados, lo que podía limitar la precisión de las mediciones. El nuevo sistema apunta justo a ese punto débil: leer la supernova y su galaxia anfitriona como parte de un mismo fenómeno.
Qué es CIGaRS y por qué puede cambiar el estudio del universo
El método se llama CIGaRS, sigla de Combined Inference and Galaxy-Related Standardization. Según el Instituto de Ciencias del Cosmos de la Universidad de Barcelona, el sistema modela a la vez las explosiones, las galaxias anfitrionas, el polvo que atenúa y enrojece la luz, la frecuencia con la que aparecen las supernovas y la propia expansión del universo. En lugar de estudiar cada dato por separado, los vincula física y estadísticamente.
Para hacerlo posible, el equipo utilizó inferencia basada en simulaciones. Los científicos generan muchos universos simulados con modelos físicos y luego una red neuronal aprende cómo se relacionan los datos observables con los parámetros que no se ven de forma directa.
El modelo trabaja con observaciones fotométricas, es decir, imágenes y mediciones de luz, y puede inferir propiedades de las supernovas, sus galaxias y la cosmología subyacente.
La diferencia es importante. La espectroscopia permite descomponer la luz y obtener información muy precisa, pero exige más tiempo de observación y recursos. CIGaRS busca acercarse a ese nivel de precisión usando solo imágenes.
En palabras del autor principal, Konstantin Karchev, “nuestro enfoque de inferencia basado en simulaciones integrales sin compromisos es excepcionalmente capaz de extraer la información cosmológica y astrofísica completa de los datos obtenidos con esfuerzo por el Observatorio Rubin, evitando al mismo tiempo sesgos de selección y modelización”.
El Observatorio Rubin y la próxima avalancha de supernovas
El avance llega en un momento clave para la astronomía. El Observatorio Vera C. Rubin, ubicado en Chile, realizará el Legacy Survey of Space and Time, un gran rastreo del cielo que detectará enormes cantidades de fenómenos variables.
El propio observatorio informó que su sistema de escaneo rápido captará la mayor muestra de supernovas de tipo Ia reunida hasta ahora, con millones de estrellas explosivas detectadas a lo largo de sus operaciones.
Ese volumen plantea un desafío práctico. Solo una fracción mínima de esos candidatos podrá ser estudiada con espectros tradicionales. Por eso, un método capaz de obtener información cosmológica fiable a partir de imágenes puede ser decisivo. Según EFE, los investigadores sostienen que esta técnica podría cuadruplicar la precisión de los resultados cosmológicos actuales al superar las limitaciones de los análisis basados en subconjuntos más pequeños de datos.
La investigación también puede aportar pistas sobre el origen de las supernovas de tipo Ia. Al reconstruir su tasa de aparición según la edad de las estrellas, el modelo ayuda a entender mejor qué sistemas estelares terminan en estas explosiones. Esa información no solo mejora las mediciones de distancia: también ajusta el retrato de las galaxias donde ocurren.
La cosmología entra así en una etapa marcada por la abundancia de datos. La pregunta ya no será solo cómo observar más, sino cómo leer mejor lo observado. En esa frontera, la inteligencia artificial aplicada a supernovas puede convertirse en una herramienta central para medir la expansión del universo con una precisión que hasta hace poco dependía de instrumentos mucho más costosos y limitados.
