El Universo está lleno de agujeros negros supermasivos. Casi todas las galaxias del cosmos tienen uno, y son los agujeros negros más estudiados por los astrónomos. Pero una cosa que todavía no entendemos es cómo crecieron tanto y tan rápido. Para responder a esta pregunta, los astrónomos necesitan identificar muchos agujeros negros en el Universo temprano y, dado que generalmente se encuentran en galaxias fusionadas, eso significa que necesitan identificar con precisión las primeras galaxias. De la mano. Pero gracias al poder del aprendizaje automático, las cosas están cambiando.
Con el poder de los estudios del cielo actuales y futuros, el desafío en astronomía es menos capturar los datos correctos y más filtrar los datos correctos del vasto tesoro que recopilamos. Se necesita una habilidad considerable para distinguir una galaxia real fusionándose de una galaxia irregular o de dos galaxias independientes que se encuentran en la misma parte del cielo. Se puede capacitar a las personas para que lo hagan bien, pero la necesidad de credenciales calificadas supera con creces el número de personas calificadas. Una forma de superar este problema es permitir que los voluntarios llenen el vacío. En general, sus identificaciones no serán tan precisas como las de los profesionales, pero un poco de estadística permitirá a los astrónomos obtener información útil.
Este nuevo estudio adopta un enfoque diferente. En lugar de hacer que expertos capacitaran a voluntarios, utilizaron expertos para entrenar algoritmos de aprendizaje automático. Es más fácil decirlo que hacerlo. Incluso el experto más competente ocasionalmente cometerá errores o tendrá ciertos sesgos, y cualquier software entrenado con ese experto tendrá los mismos sesgos. Por eso, el equipo se asoció con Big Data Applications for Black Hole Evolution Studies (BiD4BEST), un proyecto europeo que proporciona una red de formación para datos de evolución de agujeros negros. Juntos, utilizaron expertos capacitados para identificar fusiones de agujeros negros en datos simulados y en datos del Sloan Digital Sky Survey (SDSS). Al comparar los dos, el equipo pudo eliminar el sesgo de los datos de aprendizaje automático. El resultado fue bastante exitoso. Cuando se compararon las clasificaciones algorítmicas con fusiones simuladas, descubrieron que su precisión estaba muy por encima del 80%, comparable a la de los expertos más capacitados.
Luego, el equipo utilizó el software para identificar más de 8.000 agujeros negros activos y descubrió un vínculo interesante entre el crecimiento de los agujeros negros y sus galaxias. No son las fusiones galácticas las que desencadenan el crecimiento de agujeros negros supermasivos, sino grandes cantidades de gas frío en sus proximidades. El equipo descubrió que las fusiones sólo generan un crecimiento rápido cuando implican la fusión de galaxias con formación de estrellas ricas en gas y polvo. Entonces, las mismas condiciones que conducen a la formación de estrellas también conducen a la formación de agujeros negros supermasivos. Ésta es parte de la razón por la que las galaxias y sus agujeros negros parecen crecer en paralelo.
A medida que sigamos capturando datos astronómicos a un ritmo casi exponencial, el software será un complemento necesario para los observadores capacitados. Como muestra este estudio, los dos pueden usarse juntos de manera efectiva.
Referencia: Avirett-Mackenzie, MS, et al. «Una mejora posterior a la fusión solo en galaxias Seyfert tipo 2 con formación de estrellas: la perspectiva del aprendizaje profundo.” Avisos mensuales de la Royal Astronomical Society 528.4 (2024): 6915-6933.
También te puede interesar
-
El rover Perseverance de la NASA en Marte comienza un empinado ascenso hacia el borde del cráter
-
La Tierra se desaceleró significativamente durante la peor extinción masiva jamás registrada, según un estudio dirigido por China
-
Estrellas masivas brillan en esta imagen ultravioleta tomada por el Hubble
-
Astronauta de la NASA comparte foto de la Luna sobre el Pacífico: 'Es impresionante'
-
SpaceX prueba tecnología revolucionaria durante caminata espacial