- Es uno de los proyectos más grandes y ambiciosos ejecutados actualmente dentro del Instituto Milenio de Astrofísica MAS. Se trata de ALeRCE, lo que en términos técnicos se conoce como “broker”, y busca crear las herramientas para responder a las necesidades de la nueva astronomía, caracterizada por una cantidad ingente de datos para analizar cada noche de observación.
La construcción de nuevos instrumentos de observación astronómica como el Large Synoptic Survey Telescope (LSST) – que estará operativo en 2022- no sólo implicó una excelente noticia para esta ciencia, sino sobre todo un inmenso desafío para quienes se dedican a la astronomía. ¿Cómo sería posible analizar la cantidad de datos que estos nuevos telescopios entregarían cada noche? En este panorama, y antes que estos instrumentos estén terminados, la comunidad debió comenzar a prepararse y la interdisciplinariedad tomó más relevancia que nunca.
Es en este escenario que nació ALeRCE, sigla para Automatic Learning for the Rapid Classification of Events, una iniciativa liderada por investigadores del Instituto Milenio de Astrofísica MAS, en la que participa un equipo multidisciplinario de científicos y científicas – entre astrónomos e ingenieros – de la Universidad de Chile, la Universidad Austral, la Universidad Católica, la de Concepción, la Universidad Andrés Bello, la Universidad Adolfo Ibáñez, REUNA y la colaboración internacional de investigadores de Caltech, Harvard y la Universidad de Washington.
El trabajo que realizan básicamente es la construcción de herramientas y algoritmos que permitan el análisis automatizado de los datos provenientes de los grandes telescopios con el fin de poder identificar los objetos astronómicos más interesantes en tiempo real y con ello permitir que estos puedan luego ser estudiados con otros telescopios en campañas de seguimiento, una tarea que un astrónomo sería incapaz de hacer manualmente.
“En la nueva era de grandes surveys es necesario poder identificar y clasificar grandes volúmenes de objetos transientes y variables para su caracterización. Mientras más rápida y precisa la clasificación, mejor será la ciencia posible de hacer. La clasificación anterior la harán los llamados brokers astronómicos. Liderar un broker desde Chile nos permitirá ocupar de mejor forma los recursos de seguimiento disponibles y desarrollar las capacidades necesarias para que nuestra comunidad sea competitiva cuando telescopios como LSST comiencen a operar desde nuestro país”, asegura Francisco Förster, investigador asociado del MAS y uno de los líderes de ALeRCE.
Y agrega: “Es muy importante notar la alianza estratégica entre el MAS y REUNA, que es la columna vertebral de las redes académicas y los observatorios en Chile”.
Para REUNA, este es un proyecto de especial relevancia, que permitirá a la comunidad científica nacional e internacional aprovechar al máximo el Big Data astronómico que producirá la nueva generación de telescopios, actualmente en construcción, así como el potencial de las Redes Académicas. “Gracias al desarrollo de esta infraestructura híbrida y a la red de alta velocidad de REUNA, los científicos podrán acceder a los datos como nunca antes se ha hecho. Además, podrán experimentar y desarrollar nuevas herramientas en inteligencia artificial, análisis de Big Data y otras disciplinas”, explica su Gerente de Operaciones, Claudia Inostroza.
Recientemente ALeRCE se adjudicó un Fondo Astronomía QUIMAL para el Desarrollo de Tecnologías de la Astronomía Nacional, de la Comisión Nacional de Investigación Científica y Tecnológica, Conicyt, lo que le permitirá la construcción de una infraestructura híbrida proporcionada en una parte por la Red Académica de Chile, REUNA y otra en la nube a través de Amazon, y que le permita tener mayor capacidad y redundancia de la enorme cantidad de datos que manejará por noche. Según Förster, “esto nos permitirá tener una copia local de los datos más importantes, y así ganar en redundancia en caso de fallas, ahorro en costos de cómputo (por ejemplo, realizar un análisis sobre todos los datos), mayor rapidez para acceder a los datos para toda la comunidad nacional a través de REUNA, mayor independencia del proveedor de servicios en la nube y, además, entrenarnos para manejar infraestructuras híbridas, que serán cada vez más comunes en el futuro”.
Cómo funciona
Por ahora, ALeRCE se ha centrado en tres objetos astronómicos: supernovas, estrellas variables y núcleos activos de galaxias (AGN, por sus siglas en inglés). Sin embargo, en el futuro se pretende expandir a otros sujetos de estudio. “Nos interesa poder clasificar todo tipo de objetos astronómicos, pero en un comienzo definimos una taxonomía simplificada para poder avanzar. A medida que el proyecto evolucione haremos crecer esta taxonomía para abarcar nuevos tipos de objetos y nueva ciencia. Para esto es fundamental escuchar a los potenciales usuarios de ALeRCE, para entender cuáles son sus necesidades y qué tipos de objetos deberíamos incluir en nuestra taxonomía”, señala Förster, quien también pertenece al Centro de Modelamiento Matemático de la Universidad de Chile.
Según explica, el trabajo de ALeRCE comienza cuando un telescopio de levantamiento como el Zwicky Transient Facility (ZTF), o en el futuro el LSST, envía alertas que llegan al sistema, el que utiliza imágenes asociadas a candidatos para determinar, usando técnicas de aprendizaje profundo o Deep learning, la probabilidad de que sea una supernova, un AGN, una estrella variable o un asteroide. Si existe una alta probabilidad, estos candidatos se publican en distintas herramientas. En el caso de las supernovas, por ejemplo, va a una herramienta propia llamada SN hunter (https://snhunter.alerce.online/) para ser inspeccionada por una persona y reportada en el Transient Name Server, mecanismo oficial de la Unión Astronómica Internacional para reportar nuevos objetos transientes. Actualmente hay 1000 objetos reportados como supernovas desde el SN Hunter de ALeRCE y 100 confirmados espectroscópicamente.
“Típicamente nos demoramos 7 horas en reportar un nuevo candidato, mientras que otros grupos demoran más de 5 días desde la primera detección. En paralelo, al candidato se le extraen parámetros relevantes como la diferencia de flujo reportada, filtro, o tiempo de detección, para ser insertados en nuestra base de datos de curvas de luz en el objeto asociado correspondiente. La diferencia de flujo se convierte en un flujo aparente tomando en cuenta el brillo de la estrella de referencia, en caso que el candidato sea coincidente con un objeto estelar, y a la serie de tiempo de flujos se le calculan características relevantes usando una modificación de la librería FATS. Con esta información se utiliza un clasificador del tipo llamado random forest para clasificar el objeto entre 15 diferentes clases (agrupadas de forma jerárquica) que pueden ser visualizadas en nuestro explorador principal https://alerce.online/”, explica el astrónomo.
Para más información, visite alerce.science
Fuente: MAS/REUNA
Crédito imagen: LSST Project/NSF/AURA
