Un modelo de aprendizaje automático detecta lags en núcleos galácticos activos
Un modelo de aprendizaje automático detecta lags en núcleos galácticos activos
Para explorar el corazón de las galaxias más energéticas, los astrónomos emplean la cartografía 3D de reverberación. Esta técnica analiza los desfases temporales o lags en la luz que emiten los discos de acreción que rodean a los agujeros negros supermasivos. El futuro Observatorio Vera Rubin generará datos masivos para esta tarea, pero también plantea retos significativos que requieren nuevas herramientas de análisis 🕰️.
Los lags revelan la estructura oculta del disco
Los lags cortos surgen del tiempo que tarda la luz en cruzar el disco, lo que permite mapear su extensión radial. Por otro lado, los lags largos negativos, más sutiles y complejos de captar, están ligados al tiempo que tarda la materia en fluir hacia el interior, ofreciendo pistas sobre la estructura vertical del disco. Detectar estos últimos con métodos tradicionales es muy difícil, especialmente con series de datos que tienen huecos o una señal débil.
Desafíos para la nueva era de observación:- El Observatorio Rubin observará millones de AGN, pero sus datos tendrán huecos estacionales.
- La señal del lag largo negativo es intrínsecamente tenue y fácil de enmascarar.
- Los métodos de análisis clásico no escalan bien para procesar el enorme volumen de datos esperado.
Parece que incluso los agujeros negros supermasivos pueden tener un retraso en responder, aunque en su caso se mide en días luz.
Un transformador revoluciona la detección
Para superar estas barreras, se ha desarrollado y entrenado un modelo de aprendizaje automático basado en la arquitectura transformador. Este modelo examina curvas de luz simuladas que imitan las que producirá el Rubin, buscando identificar de forma automática y robusta ambos tipos de lags.
Resultados que marcan la diferencia:- El modelo identifica la presencia de un lag largo negativo con un 96% de exhaustividad y solo un 0.04% de contaminación.
- Predice el valor del lag con una precisión del 98%.
- Supera ampliamente a técnicas establecidas: la función de correlación cruzada interpolada logra un 54% de precisión y javelin solo un