La IA aprende a identificar estrellas explosivas con solo 15 ejemplos        

Por: Laurence Tognetti, Universe Today.

27 de octubre de 2025

Diagrama que muestra cómo se utilizó Google Gemini para analizar imágenes e identificar cambios, incluidos eventos explosivos. Crédito de la imagen: Stoppa y Bulmus et al., Nature Astronomy (2025).

        Los modernos estudios astronómicos generan enormes volúmenes de detecciones transitorias; sin embargo, distinguir las señales astrofísicas reales (por ejemplo, eventos explosivos) de los artefactos de imagen falsos sigue siendo un desafío. Para abordar este reto, un equipo de astrónomos exploró el potencial de la IA para realizar estudios astrofísicos de eventos celestes, incluyendo la absorción de estrellas por agujeros negros e incluso la explosión de estrellas.

        Para el estudio, los investigadores probaron Gemini, el modelo de lenguaje de gran tamaño (LLM) de Google, con tres conjuntos de datos del cielo nocturno: Pan-STARRS (Panoramic Survey Telescope and Rapid Response System), MeerLICHT (que significa «más luz» en neerlandés) y ATLAS (Asteroid Terrestrial-impact Last Alert System). El objetivo era determinar si los LLM podían alcanzar el mismo nivel de precisión y eficacia que los conjuntos de datos mencionados al presentarle a Gemini tres conjuntos de imágenes.

        Los investigadores utilizaron instrucciones específicas para que Gemini operara como modelo de aprendizaje de pocos ejemplos y analizara tan solo 15 ejemplos, clasificándolos como de “Sin interés”, “Bajo interés” y “Alto interés” para artefactos celestes, estrellas variables y eventos explosivos, respectivamente. Seis meses después, realizaron un análisis de seguimiento con Gemini actualizado con nuevos algoritmos. Finalmente, los investigadores hallaron que Gemini alcanzó una precisión del 91,9 %, 93,4 % y 94,1 % para ATLAS, MeerLICHT y Pan-STARRS, respectivamente, a pesar de estos recursos de entrada mínimos.

        Junto a cada clasificación, Gemini proporcionó una descripción textual que detalla las características observadas del objeto candidato. Si bien la precisión de estas clasificaciones puede validarse con etiquetas conocidas, evaluar la calidad y coherencia de las explicaciones textuales requiere métodos alternativos. Para ello, los investigadores implementaron dos estrategias complementarias: la evaluación humana por astrónomos profesionales para garantizar que los resultados se ajusten a la interpretación de expertos y un mecanismo de autoevaluación dentro del modelo para identificar y señalar posibles inconsistencias.

        “Hemos dedicado años a entrenar modelos de aprendizaje automático, redes neuronales, para el reconocimiento de imágenes. Sin embargo, la precisión del LLM al reconocer fuentes con una guía mínima, en lugar de un entrenamiento específico para la tarea, fue extraordinaria. Si logramos escalar esta tecnología, podría revolucionar el campo, otro ejemplo de cómo la IA impulsa el descubrimiento científico”, señala el Dr. Stephen Smartt, profesor de astrofísica en la Universidad de Oxford y coautor del estudio.

        A diferencia de los modelos de aprendizaje automático tradicionales, que requieren extensos conjuntos de datos etiquetados y un reentrenamiento frecuente para adaptarse a nuevos datos, las capacidades de aprendizaje con pocos ejemplos de Gemini, le permiten generalizar eficazmente con una entrada mínima, incluso en diferentes estudios, para los cuales aún no existe ninguna implementación. Esta eficiencia reduce el tiempo y los recursos que normalmente se requieren para el desarrollo y el mantenimiento del modelo.

        Este estudio surge en un momento en que la IA está contribuyendo rápidamente a la astronomía y la ciencia planetaria a través de una alta gama de aplicaciones, incluyendo la detección de exoplanetas, el análisis de superficies planetarias y conjuntos de datos astronómicos, la identificación de supernovas, ráfagas de radio rápidas, estallidos de rayos gamma y ondas gravitacionales, la ciencia ciudadana, el modelado teórico y las operaciones de telescopios.

        Las futuras aplicaciones de la IA en astronomía y ciencias planetarias incluyen predicciones del clima espacial, robots autónomos en la Luna y Marte, e incluso su uso en futuras misiones tripuladas a la Luna y Marte para ayudar a los astronautas a tomar decisiones mejor fundamentadas. Por lo tanto, este estudio reciente no solo demuestra las crecientes aplicaciones de la IA en astronomía y ciencias planetarias, sino también cómo personas sin formación científica pueden usar herramientas en línea gratuitas como Gemini para lograr avances científicos revolucionarios.

        Fuente: