Ahora Leyendo: La IA encuentra nuevos planetas fascinantes: así trabaja la nueva astronomía
-
01
La IA encuentra nuevos planetas fascinantes: así trabaja la nueva astronomía
La IA encuentra nuevos planetas fascinantes: así trabaja la nueva astronomía
La inteligencia artificial está transformando la búsqueda de mundos más allá del Sistema Solar. Herramientas como ExoMiner++ y RAVEN analizan millones de señales en datos de la misión TESS de la NASA, identificando exoplanetas que los métodos tradicionales no habrían detectado. Una nueva era astronómica ha comenzado.
Hay algo profundamente humano en mirar el cielo y preguntarse si hay otros mundos ahí afuera. Durante siglos, esa pregunta fue solo filosofía. Hoy es ciencia activa, y la inteligencia artificial está acelerando las respuestas de una manera que habría parecido imposible hace apenas una década.
La IA encuentra planetas que los telescopios capturan pero que los ojos humanos —y los métodos convencionales— no siempre logran distinguir entre el ruido de millones de señales. No porque los astrónomos sean menos capaces, sino porque el volumen de datos que generan misiones como TESS es, sencillamente, demasiado grande para procesarlo de forma manual con la velocidad que la ciencia moderna exige.
Este artículo explica cómo funciona ese proceso, qué herramientas están en uso, qué han encontrado hasta ahora y por qué cada nuevo mundo descubierto tiene un peso que va más allá de los números.
Qué es TESS y cómo busca planetas
La misión TESS —Transiting Exoplanet Survey Satellite— es un telescopio espacial de la NASA lanzado en 2018 con un objetivo claro: rastrear el cielo en busca de planetas que orbitan estrellas distintas al Sol, conocidos como exoplanetas.
Su método se basa en un fenómeno llamado tránsito planetario. Cuando un planeta pasa por delante de su estrella desde nuestra perspectiva, bloquea una pequeña fracción de la luz que esa estrella emite. El resultado es una disminución periódica y muy sutil en el brillo estelar: una señal que TESS registra con precisión fotométrica.
El problema es que esa señal no siempre proviene de un planeta. Estrellas binarias en eclipse, manchas estelares, artefactos instrumentales y otros fenómenos astronómicos pueden producir patrones similares. Distinguir una cosa de la otra, en millones de observaciones, es exactamente donde la inteligencia artificial entra en escena.
TESS ha observado cientos de millones de estrellas y ha generado un archivo de datos públicos de proporciones astronómicas —en el sentido más literal del término. Hasta la fecha, la misión ha contribuido al descubrimiento de cientos de exoplanetas confirmados y miles de candidatos que aún esperan verificación.
Qué diferencia hay entre un exoplaneta confirmado y un candidato
Antes de continuar, conviene aclarar una distinción que la divulgación científica a menudo pasa por alto.
- Planeta candidato: es una señal detectada en los datos que tiene características compatibles con un tránsito planetario, pero que aún no ha sido verificada de forma independiente. Puede ser un planeta real o puede tener otra explicación.
- Exoplaneta confirmado: es un mundo cuya existencia ha sido verificada mediante observaciones adicionales con otros telescopios o mediante métodos complementarios, como la velocidad radial, que mide el tirón gravitacional del planeta sobre su estrella.
- Validación estadística: es un método intermedio en el que, en lugar de confirmar directamente la presencia del planeta, se demuestra estadísticamente que la señal tiene una probabilidad muy alta de ser planetaria y no de tener otra causa. Es aquí donde la inteligencia artificial ha demostrado ser especialmente útil.
La NASA ha superado los 6,000 exoplanetas confirmados, con más de 8,000 candidatos pendientes de confirmación. Cada uno de esos candidatos representa una señal que alguien —o algo— tuvo que analizar.
Explora más de 6,000 mundos fuera del Sistema Solar
NASA Eyes on Exoplanets permite navegar por sistemas planetarios reales descubiertos más allá del Sol. Es una forma visual de comprender la escala de la búsqueda de nuevos mundos.
Experiencia interactiva: NASA Eyes on Exoplanets.
ExoMiner++: el algoritmo que aprendió a leer el cosmos
En 2021, un equipo del Centro de Investigación Ames de la NASA desarrolló ExoMiner, un software de código abierto basado en inteligencia artificial que utilizó aprendizaje profundo para validar 370 nuevos exoplanetas a partir de datos del telescopio Kepler. El resultado fue notable: cientos de mundos que habían pasado desapercibidos en archivos ya existentes.
Ahora, ese mismo equipo ha dado un paso más. La nueva versión, llamada ExoMiner++, fue entrenada tanto con datos de Kepler como con datos de TESS, lo que le permite trabajar con los dos conjuntos de observaciones más ricos de la historia de la astronomía exoplanetaria.
En una primera ejecución sobre datos de TESS, ExoMiner++ identificó 7,000 objetivos como candidatos a exoplanetas. No todos serán planetas reales —eso es parte del proceso científico—, pero representan un punto de partida que los métodos tradicionales habrían tardado años en procesar.
El software es de acceso libre en GitHub, lo que significa que cualquier equipo de investigación en el mundo puede descargarlo y aplicarlo a los datos públicos de TESS. Esa apertura no es un detalle menor: es parte de la filosofía de ciencia abierta que la NASA ha adoptado como principio rector.
«El software de código abierto como ExoMiner acelera el descubrimiento científico», declaró Kevin Murphy, director científico de datos de la NASA. «Cuando los investigadores comparten libremente las herramientas que han desarrollado, otros pueden replicar los resultados y profundizar en los datos».
Hamed Valizadegan, líder del proyecto ExoMiner en el Centro Ames, lo resumió con precisión: “Con pocos recursos, podemos obtener grandes resultados”.
Cómo funciona ExoMiner++ en la práctica
El algoritmo analiza las curvas de luz de las estrellas —las gráficas que muestran cómo varía su brillo a lo largo del tiempo— y aprende a distinguir los patrones que corresponden a tránsitos planetarios reales de los que corresponden a otras causas. Fue entrenado con miles de ejemplos etiquetados, tanto de planetas confirmados como de falsas alarmas, lo que le permite hacer predicciones con un nivel de precisión que supera a los filtros manuales convencionales.
La próxima versión del modelo irá más lejos: en lugar de analizar señales ya identificadas, será capaz de detectar las señales directamente desde los datos brutos. Un salto cualitativo que podría revelar planetas que ni siquiera han sido marcados como candidatos todavía.
RAVEN: el sistema que validó 118 planetas de una vez
Mientras ExoMiner++ trabaja desde el Centro Ames de la NASA, un equipo de la Universidad de Warwick desarrolló de forma independiente otra herramienta de inteligencia artificial llamada RAVEN —siglas de RAnking and Validation of ExoplaNets—, con resultados igualmente significativos.
Aplicado a observaciones de más de 2,2 millones de estrellas recopiladas durante los primeros cuatro años de operaciones de TESS, RAVEN validó 118 nuevos planetas e identificó más de 2,000 candidatos de alta calidad, cerca de 1,000 de ellos completamente nuevos.
Entre los planetas validados destacan algunos de especial interés científico:
- Planetas de período ultracorto, que completan una órbita en menos de 24 horas.
- Planetas del “desierto neptuniano”, una clase rara que la teoría predice que debería ser escasa en esa región orbital.
- Sistemas multiplanetarios de órbita cercana, incluyendo pares de planetas previamente desconocidos alrededor de la misma estrella.
La fortaleza de RAVEN reside en su diseño integral: no solo detecta señales, sino que las clasifica, las veta con modelos de aprendizaje automático y las valida estadísticamente en un solo proceso automatizado. Fue entrenado con cientos de miles de simulaciones realistas de planetas y de otros eventos astrofísicos que pueden imitar un tránsito planetario.
«RAVEN nos permite analizar conjuntos de datos enormes de forma consistente y objetiva», explicó el Dr. David Armstrong, profesor asociado de la Universidad de Warwick. «No es solo una lista de planetas potenciales: es lo suficientemente fiable como para usarse como muestra para mapear la prevalencia de distintos tipos de planetas alrededor de estrellas similares al Sol».
Ese último punto es crucial. RAVEN no solo encuentra planetas: produce datos limpios que permiten responder preguntas más grandes, como qué tan comunes son ciertos tipos de mundos en nuestra galaxia.
La IA no reemplaza a los astrónomos: los amplifica
Es importante ser precisos aquí, porque la narrativa del «algoritmo que hace el trabajo de los científicos» es tentadora pero inexacta.
La inteligencia artificial no descubre planetas de forma autónoma. Lo que hace es procesar volúmenes de datos que ningún equipo humano podría revisar en tiempo razonable, filtrar las señales más prometedoras y presentarlas a los astrónomos para que tomen decisiones informadas. La validación final, la interpretación de los resultados y la dirección de la investigación siguen siendo responsabilidad de los científicos.
Jon Jenkins, científico de exoplanetas en el Centro Ames de la NASA, lo expresó con claridad: «La iniciativa de ciencia abierta de la NASA va a conducir no solo a mejor ciencia, sino también a mejor software. La ciencia de código abierto y el software de código abierto son la razón por la que el campo de los exoplanetas avanza tan rápidamente».
La inteligencia artificial es, en este contexto, una herramienta de amplificación. Permite que un equipo pequeño analice lo que antes requería décadas de trabajo manual. Permite que los datos de misiones ya concluidas —como Kepler— sigan produciendo descubrimientos años después de que el telescopio dejó de operar. Y permite que los datos de TESS, que siguen llegando, sean procesados con una velocidad y consistencia que antes era imposible.
La IA encuentra planetas y también mapea su distribución
Uno de los resultados más valiosos del trabajo con RAVEN no fue solo la lista de planetas validados, sino lo que esa lista permitió calcular: la frecuencia con la que distintos tipos de planetas aparecen alrededor de estrellas similares al Sol.
El equipo de Warwick encontró que aproximadamente el 9-10% de las estrellas similares al Sol albergan un planeta de órbita cercana, un resultado consistente con los datos históricos de la misión Kepler, pero con incertidumbres hasta diez veces menores. También midieron por primera vez de forma directa la prevalencia de los planetas del «desierto neptuniano»: aparecen alrededor de apenas el 0,08% de las estrellas similares al Sol.
Estos números no son solo estadísticas. Son el mapa de un universo que empieza a tener contornos más nítidos.
El horizonte: más misiones, más datos, más IA
El futuro de esta colaboración entre astronomía e inteligencia artificial es prometedor. El Telescopio Espacial Nancy Grace Roman, próxima misión de la NASA, capturará decenas de miles de tránsitos de exoplanetas. Sus datos serán públicos, en línea con el compromiso de la agencia con la ciencia abierta, y herramientas como ExoMiner++ ya están siendo preparadas para trabajar con ellos.
La misión PLATO de la ESA, prevista para los próximos años, también generará volúmenes de datos que requerirán exactamente el tipo de análisis automatizado que RAVEN y ExoMiner++ han demostrado ser capaces de realizar.
Cada nueva misión amplía el archivo. Cada mejora en los algoritmos permite extraer más información de ese archivo. Y cada planeta encontrado —confirmado o candidato— añade un punto más al mapa de lo que existe más allá de nuestro Sistema Solar.
Por qué cada nuevo mundo importa
Hay una dimensión que los números no capturan del todo. Cada exoplaneta descubierto no es solo un dato científico: es una posibilidad. La posibilidad de que existan sistemas parecidos al nuestro. La posibilidad de que algunas de esas estrellas tengan planetas en zonas habitables, con condiciones que permitan la existencia de agua líquida. La posibilidad, en última instancia, de que no estemos solos.
La astronomía exoplanetaria no promete respuestas inmediatas a esa pregunta. Pero cada nuevo mundo descubierto estrecha el espacio de la incertidumbre. Y la inteligencia artificial, al procesar lo que los humanos no podían ver, está acelerando ese proceso de una manera que hace apenas diez años habría parecido ciencia ficción.
IA vs método tradicional: cómo cambia la búsqueda de exoplanetas
Aspecto | Método tradicional | IA aplicada a datos astronómicos |
Velocidad de análisis | Revisión más lenta de curvas de luz y señales candidatas. | Analiza grandes volúmenes de señales con mayor rapidez y prioriza los casos más prometedores. |
Escala de procesamiento | Limitada por el tiempo y la capacidad de revisión humana. | Puede revisar miles o millones de curvas de luz en conjuntos masivos de datos. |
Detección de señales débiles | Depende de patrones visibles y de la experiencia del equipo científico. | Ayuda a encontrar patrones sutiles que podrían pasar desapercibidos. |
Filtrado de falsos positivos | Requiere análisis cuidadoso para separar señales reales de ruido o errores. | Clasifica señales, descarta ruido y ayuda a priorizar planetas candidatos. |
Rol de los astrónomos | Los científicos revisan, interpretan y validan los datos directamente. | La IA apoya el análisis, pero los astrónomos siguen interpretando y validando los resultados. |
Resultado científico | Descubrimientos más lentos, pero con revisión experta detallada. | Acelera la identificación de candidatos y amplía el mapa de mundos que pueden estudiarse. |
Hay algo que los números no terminan de decir. Cuando un algoritmo identifica una pequeña oscilación en la curva de luz de una estrella a cientos de años luz de distancia, y esa oscilación resulta ser la sombra de un mundo que nadie había visto antes, ocurre algo que trasciende la técnica. Ocurre una ampliación de lo conocido.
La inteligencia artificial no tiene asombro. Pero los científicos que la diseñan, que interpretan sus resultados y que deciden qué preguntas hacerle, sí lo tienen. Y ese asombro es el motor real de todo esto.
Vivimos en un momento en que los archivos de datos de misiones espaciales contienen planetas que aún no han sido descubiertos, esperando que alguien —o algo— los encuentre. La combinación de telescopios como TESS, algoritmos como ExoMiner++ y RAVEN, y la filosofía de ciencia abierta que permite que cualquier investigador del mundo acceda a esas herramientas, está convirtiendo ese archivo en un mapa vivo del cosmos.
Cada nuevo mundo encontrado no responde la pregunta más grande. Pero la hace más urgente, más concreta y más apasionante. Y eso, en ciencia, es exactamente lo que se busca.
Preguntas Frecuentes
¿Qué es un exoplaneta y cómo se diferencia de un planeta candidato?
Un exoplaneta es un planeta que orbita una estrella distinta al Sol y cuya existencia ha sido confirmada mediante observaciones independientes. Un planeta candidato, en cambio, es una señal detectada en los datos que tiene características compatibles con un tránsito planetario, pero que aún no ha sido verificada. Muchos candidatos terminan siendo planetas reales; otros resultan tener explicaciones alternativas, como estrellas binarias en eclipse.
¿Cómo detecta TESS los exoplanetas?
TESS observa el brillo de las estrellas a lo largo del tiempo. Cuando un planeta pasa por delante de su estrella desde nuestra perspectiva, bloquea una pequeña fracción de la luz estelar, produciendo una disminución periódica y sutil en el brillo. Esa señal, llamada tránsito, es la huella que TESS registra y que los algoritmos de inteligencia artificial aprenden a identificar.
¿Qué es ExoMiner++ y qué ha logrado?
ExoMiner++ es un software de código abierto desarrollado por la NASA que utiliza aprendizaje profundo para identificar exoplanetas en datos de las misiones Kepler y TESS. En su primera ejecución sobre datos de TESS, identificó 7,000 objetivos como candidatos a exoplanetas. Su versión anterior, ExoMiner, ya había validado 370 exoplanetas en datos de Kepler.
¿La inteligencia artificial reemplaza a los astrónomos?
No. La inteligencia artificial procesa y filtra grandes volúmenes de datos, pero la interpretación científica, la validación final y la dirección de la investigación siguen siendo responsabilidad de los astrónomos. La IA amplifica la capacidad humana; no la sustituye.
¿Cuántos exoplanetas se han descubierto hasta ahora?
La NASA ha superado los 6,000 exoplanetas confirmados, con más de 8,000 candidatos pendientes de confirmación. Más de la mitad de los exoplanetas confirmados fueron descubiertos gracias a datos de las misiones Kepler y TESS.
