El universo está lleno de agujeros negros supermasivos. Casi todas las galaxias del universo contienen un agujero negro, y son los agujeros negros mejor estudiados por los astrónomos. Pero una cosa que todavía no entendemos es cómo creció tanto y tan rápidamente. Para responder a eso, los astrónomos tienen que identificar muchos agujeros negros en el universo temprano, y dado que generalmente se encuentran en galaxias fusionadas, eso significa que los astrónomos tienen que identificar las galaxias tempranas. Manualmente. Pero gracias al poder del aprendizaje automático, esto está empezando a cambiar.

Gracias al poder de los estudios del cielo actuales y futuros, el desafío para la astronomía es menos capturar los datos correctos y más filtrar los datos correctos de la amplia gama que acumulamos. Se necesita una enorme cantidad de habilidad para distinguir una verdadera galaxia fusionada de una galaxia irregular o dos galaxias independientes que se ven en la misma zona del cielo. Se puede capacitar a las personas para que hagan esto bien, pero la necesidad de herramientas de identificación calificadas supera con creces el número de personas capacitadas. Una forma de superar esto es permitir que los voluntarios llenen este vacío. En general, su identificación no será tan precisa como la de los profesionales, pero algunas estadísticas permitirán a los astrónomos extraer información útil.

Este nuevo estudio adopta un enfoque diferente. En lugar de que expertos capacitaran a voluntarios, utilizaron expertos para entrenar algoritmos de aprendizaje automático. Es más fácil decirlo que hacerlo. Incluso los expertos más capacitados a veces cometerán errores o tendrán ciertos sesgos, y cualquier software entrenado con ese experto tendrá los mismos sesgos. Por ello, el equipo se asoció con Big Data Applications for Black Hole Evolution Studies (BiD4BEST), un proyecto de la UE que proporciona una red de formación para datos de evolución de agujeros negros. Juntos utilizaron expertos capacitados para identificar fusiones de agujeros negros tanto en datos simulados como en datos del Sloan Digital Sky Survey (SDSS). Al comparar los dos, el equipo pudo eliminar sesgos de los datos del aprendizaje automático. El resultado fue muy exitoso. Cuando se compararon las operaciones de clasificación de los algoritmos con operaciones de fusión simuladas, descubrieron que su precisión era superior al 80%, comparable a la de los expertos más capacitados.

Luego, el equipo utilizó el software para identificar más de 8.000 agujeros negros activos y encontró una relación interesante entre el crecimiento de los agujeros negros y sus galaxias. No son las fusiones de galaxias las que conducen al crecimiento de agujeros negros supermasivos, sino grandes cantidades de gas frío cercano. El equipo descubrió que las fusiones conducen a un crecimiento rápido sólo cuando implican la fusión de galaxias con formación de estrellas ricas en gas y polvo. Por tanto, las mismas condiciones que conducen a la formación de estrellas también conducen a agujeros negros supermasivos. Ésta es parte de la razón por la que las galaxias y sus agujeros negros crecen en paralelo.

A medida que sigamos capturando datos astronómicos a un ritmo casi exponencial, el software será un complemento necesario para los observadores expertos. Como muestra este estudio, los dos se pueden utilizar eficazmente juntos.

referencia: Averett McKenzie, MS, et al. «Mejora posterior a la fusión en galaxias de formación estelar tipo 2 Seyfert: una demostración de aprendizaje profundo«. Avisos mensuales de la Royal Astronomical Society 528.4 (2024): 6915-6933.