Diseñan un algoritmo de Deep Learning que mejora la precisión hasta en un 20% respecto a la más avanzada de las técnicas clásicas. Esta nueva técnica se ha aplicado con éxito al cúmulo globular 47 Tucanae (NGC 104), situado en la constelación Tucana, a unos 16.700 años luz de la Tierra
La Universidad Internacional de La Rioja (UNIR) participa en el primer proyecto, dirigido por la Southern Connecticut State University (New Haven, EE.UU.), que aplica de forma pionera técnicas de Inteligencia Artificial al estudio de las imágenes históricas del telescopio espacial Hubble para medir el movimiento de sistemas estelares remotos, como son los cúmulos globulares.
Los investigadores han diseñado un algoritmo que emplea Deep Learning para determinar con precisión mili pixel la posición astrométrica de estrellas, y por tanto su movimiento propio, a partir de las imágenes de la cámara Wide Field Planetary Camera 2 (WFPC2) del telescopio espacial Hubble (HST), captadas desde 1993.
Esta nueva técnica se ha aplicado con éxito a un cúmulo globular -conjunto esférico de estrellas autocontenido gravitacionalmente- del hemisferio Sur, denominado 47 Tucanae (NGC 104), situado en la constelación Tucana, a unos 16.700 años luz de la Tierra. El telescopio Hubble hizo más de 600 fotografías de este cúmulo, lo que ha permitido testar el método con gran cantidad de datos y estrellas.
Estas observaciones de archivo tienen un gran potencial para los estudios del desplazamiento de estrellas y sistemas estelares remotos como cúmulos y galaxias, imperceptible para nosotros debido a la distancia, pese a que están en permanente movimiento. Poder calcular y predecir la posición de dichos objetos permite a su vez saber cómo se mueven y a qué velocidades, y mejorar nuestro entendimiento de los modelos cosmológicos actuales.
Los algoritmos convencionales encuentran problemas relacionados con el submuestreo en los detectores de la cámara para medir la posición del astro en el interior del píxel, pero el algoritmo diseñado por estos investigadores sí puede superar esta dificultad.
“Cada estrella cae en el interior de un píxel de la imagen del Hubble, que puede tener un tamaño de 100 milisegundos de arco o incluso menos; mientras que las estrellas tienen un movimiento propio aparente de pocos milisegundos de arco al año. Eso quiere decir que, para poder apreciar el movimiento de la estrella, es decir, que salte de píxel a píxel cuando apuntamos a las mismas coordenadas estelares, necesitaríamos décadas de observación, lo que nos obliga a estudiar catálogos y posicionamientos de estrellas construidos muchos años atrás”, explica Roberto Baena Gallé, coautor de este trabajo y coordinador académico del Máster de Astrofísica de UNIR.
“Cuando una estrella cae en el interior de un píxel, lo ilumina completamente. Da igual que esté en el centro o en la esquina del píxel, este se enciende entero. Y, además, la estrella enciende también píxeles contiguos, debido a la dispersión de luz provocada por la propia óptica del instrumento, también conocida como la PSF del instrumento. Así, aunque queramos averiguar la posición de una estrella en el interior de un único píxel, tenemos 30 o 40 encendidos”, prosigue el investigador.
El algoritmo que han diseñado permite saber con precisión en qué mili píxel está la estrella. Para ello hay que dividir el píxel en un grid virtual de 1000x1000 posiciones y estudiar la distribución de luz en los alrededores. Esto ya se ha hecho con técnicas clásicas, es decir, ajustando formas conocidas de PSFs o funciones matemáticas.
“La gran novedad de nuestra técnica basada en Deep Learning es que no necesita una forma prefijada de la distribución de luz en el detector, sino que simplemente mide con gran precisión las relaciones de intensidad entre los diferentes píxeles para determinar la posición de la estrella en el interior de uno de ellos. Esto consigue una mejora de hasta un 15-20% en la precisión de la estimación con respecto a la más avanzada de las técnicas clásicas, que muestran una cierta dependencia del error con respecto a la posición de la estrella en el interior del píxel. "Les gusta" que la estrella esté cerca del centro del píxel y se equivocan más cuanto
más cerca del borde”, detalla el investigador.
“Nuestra propuesta logra, gracias a la Inteligencia Artificial, que este error sea menor, independientemente de donde se encuentre la estrella, por lo que podemos ser más precisos”, añade.
El artículo titulado ‘Star-Image Centering with Deep Learning: HST/WFPC2 Images’, publicado en la revista Publications of the Astronomical Society of the Pacific, recoge estos primeros resultados de la investigación en torno a los píxeles centrales de la cámara WFPC2, y han sido presentados parcialmente en la XV reunión de la Sociedad Española de Astronomía. En las siguientes etapas, los investigadores plantean extender esta técnica al análisis de la totalidad de la cámara, así como a otros cúmulos estelares.
Los otros investigadores del proyecto son Dana I. Casetti-Dinescu, de la Southern Connecticut State University (New Haven, EE.UU.) y del Instituto Astronómico de la Academia Rumana (Bucarest); Terrence M. Girard y Max Martone, de la Southern Connecticut State University, y Kate Schwendemann, del Avon High School (Connecticut, EE.UU.).
Referencia bibliográfica: Dana I. Casetti-Dinescu, D. I., Girard, T. M. Girard, Baena-Gallé, R., Martone, M., Schwendemann, K. (2023) Star-Image Centering with Deep Learning: HST/WFPC2 Images. Publications of the Astronomical Society of the Pacific, 135, 054501. https://iopscience.iop.org/article/10.1088/1538-3873/acd080
