Un reciente estudio, co-liderado por la Universidad de Oxford y Google Cloud, ha revelado cómo la inteligencia artificial (IA) de propósito general puede clasificar con precisión los cambios reales en el cielo nocturno, como explosiones de estrellas o agujeros negros que desgarran estrellas que pasan, sin la necesidad de entrenamientos complejos. Publicado en Nature Astronomy, este trabajo demuestra que el modelo de lenguaje de gran tamaño (LLM) de Google, conocido como Gemini, puede convertirse en un asistente experto en astronomía con una mínima guía.
Utilizando únicamente 15 imágenes de ejemplo y un conjunto sencillo de instrucciones, Gemini logró distinguir eventos cósmicos reales de artefactos de imagen con una precisión aproximada del 93%. Lo notable de este avance es que la IA también proporcionó explicaciones en un lenguaje comprensible para cada clasificación, un paso crucial hacia la transparencia y confianza en la ciencia impulsada por IA, así como hacia la creación de herramientas accesibles que no requieren grandes conjuntos de datos ni una profunda experiencia en programación de IA.
Desmitificando la identificación de señales cósmicas
Los telescopios modernos escanean el cielo de manera incansable, generando millones de alertas cada noche sobre posibles cambios. Sin embargo, la mayoría de estas alertas son señales «falsas» provocadas por trazas de satélites, impactos de rayos cósmicos u otros artefactos instrumentales. Tradicionalmente, los astrónomos han dependido de modelos de aprendizaje automático especializados para filtrar estos datos. Sin embargo, estos sistemas a menudo funcionan como una «caja negra», proporcionando una simple etiqueta de «real» o «falso» sin explicar su lógica. Esto obliga a los científicos a confiar ciegamente en la salida o a invertir innumerables horas verificando manualmente miles de candidatos, una tarea que se volverá imposible con la próxima generación de telescopios, como el Vera C. Rubin Observatory, que generará alrededor de 20 terabytes de datos cada 24 horas.
El equipo de investigación se planteó una pregunta sencilla: ¿Podría una IA multimodal de propósito general como Gemini, diseñada para entender texto e imágenes, no solo igualar la precisión de los modelos especializados, sino también explicar lo que observa? Para ello, se proporcionaron 15 ejemplos etiquetados para cada una de las tres principales encuestas celestes (ATLAS, MeerLICHT y Pan-STARRS). Cada ejemplo incluía una pequeña imagen de una nueva alerta, una imagen de referencia y una imagen de «diferencia» que resaltaba el cambio, junto con una breve nota de un experto. Guiado solo por estos ejemplos y sencillas instrucciones, el modelo clasificó miles de nuevas alertas, proporcionando una etiqueta (real/falso), un puntaje de prioridad y una breve descripción legible de su decisión.
Un componente clave del estudio fue la verificación de la calidad y utilidad de las explicaciones de la IA. Un panel de 12 astrónomos revisó las descripciones de la IA, quienes las calificaron como altamente coherentes y útiles. Además, en una prueba paralela, el equipo hizo que Gemini revisara sus propias respuestas y asignara un puntaje de coherencia a cada una. Descubrieron que la confianza del modelo era un indicador poderoso de su precisión: las salidas de baja coherencia eran mucho más propensas a ser incorrectas. Esta capacidad de autoevaluación es crucial para construir un flujo de trabajo confiable que incluya a humanos, permitiendo que el sistema concentre la atención de los astrónomos donde más se necesita.
Los autores del estudio vislumbran esta tecnología como la base para asistentes «agentes» autónomos en la ciencia, capaces de integrar múltiples fuentes de datos, verificar su propia confianza y solicitar observaciones de seguimiento de telescopios robóticos, escalando solo los descubrimientos más prometedores y inusuales a los científicos humanos. Con la necesidad de solo un pequeño conjunto de ejemplos e instrucciones en lenguaje sencillo, esta metodología puede adaptarse rápidamente a nuevos instrumentos científicos, encuestas y objetivos de investigación en diferentes campos.
La investigación subraya un giro significativo en la forma en que se aborda la ciencia, destacando el potencial de la IA para facilitar el descubrimiento científico de manera más accesible y menos opaca. Esto no solo promete acelerar el ritmo de los descubrimientos, sino que también abre la puerta a una colaboración más efectiva entre humanos y máquinas en la búsqueda del conocimiento.
