¿De qué están hechas las galaxias? Algoritmo lo dice con hasta un 99 % de eficacia

 ¿Dónde nacen las estrellas, dónde se posa un agujero negro supermasivo o dónde abundan hidrógeno, oxígeno o nitrógeno? Estas son las pistas que persiguen los astrónomos, ya que les permiten determinar qué compone una galaxia. Aunque los diagramas que las explican se han analizado manualmente desde hace décadas, toman mucho tiempo y requieren de un esfuerzo mayor; ahora, un algoritmo entrenado con aprendizaje de máquina (machine learning) hace la tarea en solo minutos ayudando a desentrañar los misterios del universo en el que vivimos.

La era tecnológica ha impactado todas las áreas del conocimiento, y el cosmos no se ha quedado atrás, un campo en el que la investigadora Katherine Andrea Caballero Soto, magíster en Astronomía de la Universidad Nacional de Colombia (UNAL), se aventuró queriendo complementar, a través de inteligencia artificial (IA), la mirada de los grandes telescopios que toman registros fotométricos y espectroscópicos de galaxias y estrellas, las cuales varían según su composición o su distancia.

Estar a una distancia de años luz de la Tierra ya no es un inconveniente para encontrar el núcleo de una galaxia activa, una en la que fantaseamos con que haya algún lugar parecido a nuestro planeta, o en donde tal vez haya formas de vida que desconocemos.

De hecho, desde la década de 1980 expertos y científicos elaboran diagramas que muestran los elementos que componen los núcleos de estos sistemas galácticos, pero la información que recopila un telescopio o una técnica de observación llega a ser tanta, que se hace casi imposible hacer cálculos rápidos y sencillos.

Por eso la investigadora Caballero implementó distintos algoritmos de machine learning en el estudio de los núcleos activos de galaxias (AGN), pues quería saber si la potencia de estos avances de IA son tales que, aquellas clasificaciones manuales que hacen astrónomos profesionales y que pueden tomar horas o hasta días, ahora se realicen en cuestión de segundos.

Los AGN son regiones extremadamente brillantes en el centro de una galaxia que se alimentan por el material que cae en agujeros negros gigantes supermasivos; emiten luz y energía en todas las longitudes de onda, desde rayos X hasta ondas de radio.

Su estudio ha despertado el interés de los científicos porque entenderlas nos daría una visión de cómo han evolucionado históricamente tanto las galaxias como los agujeros negros; cómo se comporta el cosmos en estas inmensas concentraciones de energía, e incluso cómo se podría haber distribuido la materia oscura en el universo.

Para desarrollar su propuesta, la investigadora utilizó la base de datos astronómicos Sloan Digital Sky Survey (SDSS), una de las más detalladas del mundo y de acceso gratuito, que tiene información sobre las líneas de emisión, unas “firmas” espectrales específicas de luz que hablan acerca de los materiales y elementos que componen una galaxia. De esta se recopiló la información de unas 250.000 galaxias.

Para eso se tuvieron en cuenta variables como la baja densidad de electrones en el espacio, la cual hace que existan mayores probabilidades de que se presenten transiciones prohibidas de los átomos ionizados como OIII, NII, SII, o líneas espectrales de hidrógeno H-alfa (Hα) y H-beta (Hβ), características principales que permiten determinar si el objeto es una galaxia de núcleo activo, o si por el contrario es formadora estelar.

Los datos se complementaron con los registros de fotometría de estas galaxias, imágenes de distintos rangos de brillo y filtros de color que emiten estas estructuras cósmicas. Tomando estas características se entrenaron distintos algoritmos es busca de aquel que pudiera clasificar con precisión el tipo de galaxia del que se estaba hablando; estas podían ser: (i) de núcleo activo, en las que abundan oxígeno, nitrógeno y azufre, (ii) estelares, en las que nacen estrellas y el elemento principal es hidrógeno, y (iii) una combinación de ambas.

Según la investigadora, “de todos los algoritmos que se desarrollaron en el lenguaje de programación Python, el de redes neuronales obtuvo el mejor desempeño, pues alcanzó alrededor de un 99 % de eficiencia en la identificación de estas galaxias: de 250.000, clasificó alrededor de 248.000”.

“Estamos viendo la astronomía a través de los ojos del aprendizaje de máquina, ya que optimiza el trabajo y permite tener la información y parametrización correcta de cualquier objeto celeste, lo que posibilita estudiar no solo las galaxias sino también las estrellas y nebulosas, e incluso clasificar ondas gravitacionales”, agrega.

Por otro lado, indica que “es una herramienta que queda abierta al público, ya que el código con el que se generó el algoritmo está disponible para que cualquier investigador lo utilice; y en la literatura sobre el tema no había acceso, lo que quiere decir que usaban lenguajes de programación no gratuitos y con información muy específica”.

Se espera que este desarrollo se convierta en una plataforma web en la que los interesados utilicen el algoritmo para determinar el tipo de galaxia que están estudiando, o que quieren analizar más a fondo.

 

Algoritmo sería clave para resolver uno de los desafíos de la transición energética

 Pese a que paneles solares, pequeñas centrales hidroeléctricas o parques eólicos son formas de generación energética más sostenibles y con óptimos beneficios económicos, su implementación trae retos como la oportuna detección de fallas en la red y la atención de estas sin que implique un riesgo para los operarios y el sistema en general. Para hallar de manera automática las fallas y aislar la corriente para su posterior reparación se diseñó un algoritmo.

Por ser aún novedosa, la transición energética trae consigo importantes retos en lo que respecta a su regulación, equilibrio, distribución y mantenimiento. Uno de ellos es el ocasionado por la denominada “generación distribuida” que, mediante la instalación de paneles solares, por ejemplo, descentraliza la producción y distribución de energía en el país.

Óscar David Alzate Avellaneda, magíster en Ingeniería Eléctrica de la Universidad Nacional de Colombia (UNAL) Sede Medellín, explica que “en Colombia la generación de energía eléctrica se ha centrado en las centrales hidroeléctricas y en combustión de carbón, petróleo o gas. Esta energía se transporta luego largas distancias por cables hasta que llega al punto de consumo final”.

Con la generación distribuida esto ha cambiado. “Las pequeñas fuentes de energía –como por ejemplo los paneles solares de particulares– también se unen al sistema interconectado local haciendo que cuando este falle pueda ser solventado con la energía que le ‘sobra’ a esas pequeñas fuentes, lo que ocasiona, entre otras cosas, que sea difícil detectar el daño, porque el servicio se mantiene. A estos eventos se les llama Zonas de No Detección”, agrega.

La generación distribuida también puede acarrear riesgos en el equilibrio y funcionamiento general del sistema, además de que puede representar un peligro para el operario que hace la reparación. “Esta persona aísla la corriente de la zona para hacer los ajustes, sin embargo, si no sabe que hay una fuente pequeña cercana que sigue proveyendo energía, puede ocurrir un accidente. Esa otra fuente también debe aislarse”, anota.

A partir de este contexto, el magíster Alzate desarrolló un algoritmo que aplicó al software Digsilent Power Factory para detectar los tramos que siguen funcionando bien aunque haya una falla y sea la generación distribuida la que la está manteniendo el servicio.

Destaca que “con el sistema creado logramos que cuando haya un daño en la red interconectada se envíe una señal, bien sea a partir de cambios en el voltaje o la frecuencia, para que los dispositivos de protección, que están justo en el punto de acople de una corriente de energía y otra, se activen y aíslen de inmediato la generación distribuida del sistema general de distribución”.

Aunque para montar el algoritmo se utilizó un software de uso restringido, este también se puede aplicar en uno de uso libre como Matlab.

En el desarrollo se utilizaron métodos tanto pasivos –que tienen que ver con el monitoreo de las variables en la red– como activos, que son los que inyectan las perturbaciones para que se activen los sistemas de protección.

Todo esto se programa mediante formulaciones matemáticas que luego se simulan, es decir, se recrean a escala, con el fin de comprobar que el algoritmo funciona. Así se comprobó que, en efecto, el software se activa cuando la frecuencia toca un umbral preestablecido, confirmando que no se darán falsas alarmas.

Para su funcionamiento, el programa informático estaría acoplado en el control, a la salida del inversor o pequeño generador (ejemplificado para este caso con paneles solares). “Este regula la potencia e inyecta una perturbación cuando detecta cambios en el sistema general. A partir de esa inyección se activa o desactiva un ‘interruptor’ en el punto de acople, de manera que permite o bloquea el paso de la corriente según la necesidad”, señala.

El investigador aclara que “aunque es lícito que el dueño de un inversor (o panel solar) decida venderle la energía que le ‘sobra’ al operador de la red (que en el caso de Medellín sería, por ejemplo, Empresas Públicas de Medellín), es riesgoso cuando esa transferencia se hace de forma descoordinada y sin premeditación”.

Cuando hay coordinación entre el operador de la red y el encargado de la generación distribuida a esto se le llama “isla intencional”, y cuando no, se le llama “isla’ no intencional”. Para este último caso es que se necesita un algoritmo que monitoree, de manera que se eviten contraflujos de energía y posibles daños adicionales en la red.

Como reto a futuro está la aplicación del modelo, ya no en una red de prueba sino en un circuito de distribución de energía en media tensión, más cercano a la realidad.