Un modelo de conjunto neuronal clasifica las interacciones de las galaxias
Clasificar cómo interactúan las galaxias presenta dificultades por sus formas complejas y porque los modelos de aprendizaje profundo suelen funcionar como cajas negras. Este trabajo propone un conjunto neuronal atento que combina las arquitecturas AG-XCaps, H-SNN y ResNet-GRU. El sistema se entrena con datos de Galaxy Zoo DESI y se mejora con LIME para generar predicciones que los astrónomos pueden interpretar. Este enfoque aborda directamente los dos retos principales: procesar patrones morfológicos intrincados y ofrecer explicaciones para sus decisiones.
El modelo supera a los métodos clásicos en precisión y eficiencia
El conjunto neuronal logra una precisión del 0.95, un recuerdo de 1.00, una puntuación F1 de 0.97 y una exactitud del 96%. Supera claramente a un modelo de referencia basado en Random Forest, ya que reduce los falsos positivos de 70 a solo 23 casos. Además, el marco es ligero, con un tamaño de 0.45 MB, lo que permite escalarlo para analizar los grandes volúmenes de datos que generarán misiones como Euclid y el LSST, facilitando así estudiar la evolución galáctica con métodos guiados por datos.
La explicabilidad es clave para adoptar estos sistemas en astronomía
Integrar LIME es fundamental, ya que produce mapas de calor que destacan qué regiones de una imagen de galaxia influyen más en la clasificación. Esto permite que los investigadores comprendan y validen las predicciones del modelo, fomentando la confianza en las herramientas de inteligencia artificial. La combinación de alto rendimiento, tamaño reducido y capacidad para explicar decisiones posiciona este marco como una solución práctica para los observatorios actuales y futuros.
A veces, hasta las galaxias necesitan un mediador para resolver sus encuentros cercanos, y este modelo pretende ser el terapeuta cósmico que explica por qué chocaron.
