Hace unas semanas comenzó oficialmente el Legacy Survey of Space and Time (LSST) del Observatorio Vera C. Rubin, una iniciativa científica internacional que durante la próxima década observará el cielo austral para construir el registro temporal más completo del Universo. Cada noche, el observatorio genera millones de alertas astronómicas sobre cambios detectados en el cielo, las que son procesadas y clasificadas en tiempo real para identificar fenómenos de interés científico.
En este desafío ALeRCE —Aprendizaje Automático para la Clasificación Rápida de Eventos—, broker astronómico desarrollado colaborativamente por el Instituto Milenio de Astrofísica (MAS), el Centro de Modelamiento Matemático (CMM) de la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile, Data Observatory y la Universidad de Concepción (UdeC), cumple un rol clave. Durante las primeras semanas, el broker chileno reportó el 76% de los candidatos a supernova registrados en el Transient Name Server (TNS), reporte oficial utilizado por la comunidad astronómica internacional para catalogar fenómenos astronómicos transitorios, a partir de datos generados por el Observatorio Vera C. Rubin.
Este resultado es fruto de más de una década de investigación y desarrollo en ciencia de datos, aprendizaje automático, inteligencia artificial y supercómputo aplicados a la astronomía. Gracias a estas capacidades, el equipo de ALeRCE analiza en tiempo real los millones de alertas generadas por el observatorio, clasificando automáticamente los eventos más relevantes para facilitar su seguimiento por parte de la comunidad científica internacional.
Con motivo de este resultado, el Prof. Francisco Förster, fundador de ALeRCE, investigador asociado del Centro de Modelamiento Matemático (CMM), académico de la Iniciativa de Datos e Inteligencia Artificial (IDIA) de la Facultad de Ciencias Físicas y Matemáticas de la Universidad de Chile e integrante del Scientific Advisory Committee (SAC) del Observatorio Vera C. Rubin, analiza el significado de este liderazgo para ALeRCE y el aporte del CMM al desarrollo de herramientas de inteligencia artificial para la astronomía.
– ALeRCE lidera actualmente el número de reportes enviados al Transient Name Server (TNS), utilizando datos del Observatorio Vera C. Rubin, ¿qué representa este resultado para el equipo que ha impulsado el desarrollo de la plataforma durante más de una década y cómo evalúa este primer desempeño?
Este resultado demuestra que el equipo ha sido capaz de responder técnicamente procesando exitosamente el gran volumen de alertas generadas por Rubin, pero también que ha sabido convertir este gran volumen de datos en resultados científicos rápidamente.
– El desarrollo de ALeRCE ha sido posible gracias a la colaboración entre distintas instituciones, entre ellas el Centro de Modelamiento Matemático. ¿Cuál ha sido el aporte del CMM al desarrollo de esta plataforma y qué capacidades científicas y tecnológicas ha permitido consolidar?
El CMM financia parte del equipo de ingeniería y provee el espacio físico necesario para que el equipo desarrolle estas herramientas, en un ambiente interdisciplinario que promueve el cruce de ideas y la generación de nuevo conocimiento.
“Si ALeRCE continúa reportando candidatos a supernova de Rubin a la tasa a la que lo está haciendo actualmente podría convertirse en el proyecto que más supernovas ha reportado en la historia de la astronomía”
La colaboración interinstitucional nos ha permitido implementar una pipeline de procesamiento masivo de datos que mezcla herramientas de bases de datos, aprendizaje computacional y disponibilización de datos y servicios que son fácilmente transferibles a otras áreas del conocimiento.
– Entendiendo que el Observatorio Vera C. Rubin genera millones de alertas astronómicas cada noche, ¿qué desafíos científicos y tecnológicos plantea este escenario para ALeRCE y qué papel desempeña la inteligencia artificial en este proceso?
El principal desafío ha sido técnico-económico, la necesidad de escalar nuestra pipeline de procesamiento ha requerido migrar nuestra infraestructura desde servicios en la nube (AWS) a servidores administrados por el proyecto.
Por otro lado, en ALeRCE hemos definido que todos los reportes oficiales a la comunidad deben tener un “humano en el bucle”, para evitar malgastar valioso tiempo de telescopio de seguimiento. Antes de LSST, todos los objetos clasificados como potenciales supernovas por una inteligencia artificial (IA) eran inspeccionados visualmente antes de ser reportados a la comunidad. Con LSST el proceso anterior se volvió muy costoso, por lo que fue necesario entrenar un nuevo clasificador de IA que replique nuestra inspección visual, con muy buenos resultados hasta el momento.
– El inicio de las operaciones científicas del Observatorio Vera C. Rubin marca el comienzo de una nueva etapa para la astronomía basada en datos. Desde su perspectiva, ¿qué oportunidades presenta este escenario para ALeRCE y qué impacto espera que tenga en la comunidad científica internacional durante los próximos años?
La combinación de grandes volúmenes de datos en forma de flujo, bases de datos masivas, herramientas de inteligencia artificial en producción y herramientas de acceso a datos y visualización para incluir humanos en el bucle hacen que ALeRCE sea un proyecto altamente transferible a otras áreas del conocimiento.
Si ALeRCE continúa reportando candidatos a supernova de Rubin a la tasa a la que lo está haciendo actualmente podría convertirse en el proyecto que más supernovas ha reportado en la historia de la astronomía, dando lugar a un sinnúmero de descubrimientos científicos.
Un aspecto interesante de este resultado en particular es que por primera vez en ALeRCE se usaron herramientas de inteligencia artificial generativa para el desarrollo del software, lo que fue fundamental para alcanzar estos resultados con la velocidad que se requería
El desempeño alcanzado por ALeRCE durante las primeras semanas de operación científica del Legacy Survey of Space and Time (LSST) del Observatorio Vera C. Rubin, refleja el resultado de más de una década de investigación interdisciplinaria en ciencia de datos, astronomía, supercómputo e inteligencia artificial. El broker chileno no solo ha demostrado su capacidad para procesar datos y clasificar en tiempo real el enorme flujo de alertas astronómicas generado por el observatorio, sino también para convertir esa información en reportes científicos de alto impacto para la comunidad internacional.
En este contexto, el 29 de julio, Francisco Förster presentó estos resultados durante la Reunión Anual de la Comunidad del Observatorio Vera C. Rubin, realizada en San Francisco, Estados Unidos, el encuentro que reúne a investigadores e investigadoras de la colaboración internacional para compartir los principales avances científicos y tecnológicos del proyecto. La presentación reafirma el aporte de ALeRCE al ecosistema científico de Rubin y evidencia el liderazgo alcanzado por una iniciativa desarrollada desde Chile para enfrentar los desafíos de la astronomía basada en datos y contribuir al descubrimiento de nuevos fenómenos astronómicos.
Créditos: Comunicaciones CMM
Imagen principal: NSF–DOE Vera C. Rubin Observatory/NOIRLab/SLAC/AURA