{"id":194,"date":"2022-10-17T17:00:34","date_gmt":"2022-10-17T16:00:34","guid":{"rendered":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/?p=194"},"modified":"2022-10-14T21:19:34","modified_gmt":"2022-10-14T20:19:34","slug":"la-inteligencia-artificial-proporciona-una-nueva-manera-de-medir-la-cantidad-de-materia-oscura-en-grandes-cumulos-de-galaxias","status":"publish","type":"post","link":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/2022\/10\/17\/194\/","title":{"rendered":"La inteligencia artificial proporciona una nueva manera de medir la cantidad de materia oscura en grandes c\u00famulos de galaxias."},"content":{"rendered":"

La inteligencia artificial y particularmente el aprendizaje autom\u00e1tico facilita que una m\u00e1quina pueda realizar predicciones a partir del estudio de grandes cantidades de datos. De esta forma, los ordenadores pueden realizar tareas complejas como reconocer objetos en im\u00e1genes o jugar al ajedrez. Recientemente, el aprendizaje autom\u00e1tico ha dado lugar a  m\u00faltiples aplicaciones en diferentes campos de la industria e investigaci\u00f3n. No s\u00f3lo es \u00fatil para acelerar el an\u00e1lisis de enormes cantidades de datos, tambi\u00e9n trae consigo nuevos descubrimientos. En particular, los  m\u00e9todos de inteligencia artificial  para el an\u00e1lisis de datos astrof\u00edsicos est\u00e1n siendo empleados cada vez de forma m\u00e1s habitual  en el procesado de im\u00e1genes astron\u00f3micas, Dado que los objetos astrof\u00edsicos solo podemos detectarlos a partir de la radiaci\u00f3n electromagn\u00e9tica que emiten  el gas y las estrellas en diferentes frecuencias, desde rayos gamma a ondas de radio,  la  informaci\u00f3n  que podemos derivar es solo de la parte de la materia que componen estos objetos que emite luz. Sin embargo,  cuanto mayor es el objeto astron\u00f3mico, su contenido total de materia m\u00e1s est\u00e1 dominado por la llamada materia oscura, que no emite luz.  Este es el caso de los objetos m\u00e1s masivos del Universo como son los llamados c\u00famulos de galaxias. Son asociaciones de centenares o miles de galaxias que est\u00e1n unidas  gravitacionalmente, pero que la materia total   que genera este campo gravitatorio com\u00fan est\u00e1 formado en  m\u00e1s  del 85%  por una componente  de naturaleza desconocida todav\u00eda que denominamos materia oscura.   Las medidas de la materia total que  contiene estos objetos   se realiza a partir de las observaciones  de la emisi\u00f3n en rayos X del gas intra cumular, o mediante la medida de las distorsiones del espectro de frecuencias de  los fotones de la radiaci\u00f3n de fondo c\u00f3smica cuando atraviesa el  gas caliente del c\u00famulo en su recorrido hacia nuestros radiotelescopios. En ambos casos, de las im\u00e1genes bidimensionales que recibimos con nuestros instrumentos hay que aplicar ciertas hip\u00f3tesis te\u00f3ricas del estado del gas del c\u00famulo para poder derivar la masa total que contiene.   La \u00fanica forma que tenemos para poder establecer estas relaciones te\u00f3ricas entre la emisi\u00f3n del gas y la masa es a partir de simulaciones num\u00e9ricas  que  intentan reproducir la formaci\u00f3n de estos objetos y que modelan las complejas relaciones existentes entre las diversas componentes del c\u00famulo: gas, estrellas, supernovas, agujeros negros y materia oscura.<\/span><\/p>\n

En un estudio recientemente publicado en la revista Nature Astronomy (https:\/\/www.nature.com\/articles\/s41550-022-01784-y<\/a>), liderado por miembros del grupo de Astrof\u00edsica de la Universidad Aut\u00f3noma de Madrid, en colaboraci\u00f3n con investigadores de la  Universidad de Edimburgo, MIT (EE.UU),  Universidad de la Sapienza (Roma) y  con asesoramiento de expertos de la empresa  EURA NOVA (B\u00e9lgica),  especializada en t\u00e9cnicas de aprendizaje autom\u00e1tico,   ha sido posible estimar, por primera vez, mediante t\u00e9cnicas de inteligencia artificial, el contenido de materia total de un conjunto amplio de c\u00famulos de galaxias en todo el Universo observados por la misi\u00f3n espacial Planck de la ESA  en el rango de las microondas.  El algoritmo de aprendizaje autom\u00e1tico est\u00e1 basado en redes neuronales convolucionales, un modelo revolucionario desarrollado para el procesado autom\u00e1tico  de im\u00e1genes.  EL procedimiento consisten en  comprimir la informaci\u00f3n contenida en las im\u00e1genes  de modo que pueda ser luego f\u00e1cilmente  comparada con alguna propiedad interna de la misma. En el caso que nos ocupa, ser\u00eda la masa total del c\u00famulo que ocupa la imagen.  Para poder entrenar este algoritmo para el caso particular   de c\u00famulos de galaxias,  ha sido necesario generar casi 200 mil im\u00e1genes  equivalentes a c\u00f3mo  observar\u00eda el sat\u00e9lite Planck  un conjunto de c\u00famulos simulados num\u00e9ricamente.  Estas im\u00e1genes sint\u00e9ticas fueron obtenidas a partir de  los resultados de las simulaciones num\u00e9ricas pertenecientes al proyecto  internacional \u201cThe THREE HUNDRED\u201d (<\/span>https:\/\/the300-project.org\/<\/span><\/a>) l\u00edderado tambi\u00e9n por los  investigadores de la UAM.<\/span><\/p>\n

Una vez que la red convolucional ha sido entrenada, se le aplic\u00f3 a  m\u00e1s de 1000 im\u00e1genes reales  de c\u00famulos de galaxias observados por el   Sat\u00e9lite Planck, dando como resultado la estimaci\u00f3n de la masa total del objeto, de acuerdo a lo que el algoritmo ha aprendido de las simulaciones, pero  en este caso, libres de posibles sesgos debido a las hip\u00f3tesis  te\u00f3ricas que se asumen en estudios previos. <\/span><\/p>\n

El trabajo ha sido mayoritariamente realizado por Daniel de Andr\u00e9s, profesor ayudante no doctor  del departamento de F\u00edsica Te\u00f3rica de la UAM.  El   Dr. Weiguang Cui, coautor del trabajo, afirma que los resultados obtenidos son muy excitantes y que la inteligencia artificial es una herramienta que nos ayudar\u00e1  a entender  las complejas relaciones entre las diferentes componentes de materia que pueblan el  universo.<\/span><\/p>\n

\n

Machine learning is a novel domain which uses artificial intelligence (AI) to make predictions with data. Artificial intelligence means teaching computers to learn to perform complex tasks, such as recognizing objects from pictures and playing chess. <\/span>A lot of applications of ML appeared in many different fields of industry and research in recent years<\/span>. It not only accelerates the process of efficiently dealing with a great amount of data but also brings new methods and new findings. An international group of people which includes experts in astronomy research from Universidad Autonoma de Madrid (Spain), University of Edinburgh (UK), MIT, Sapienza University (Italy) and experts in machine learning models from the <\/span>Euranova <\/span>company (<\/span>Belgium)<\/span>, <\/span>have started a collaboration to provide new ways to infer the mass of clusters of galaxies from multiwavelength images. Recently, they focused on accurate estimates of the mass of galaxy clusters from the Planck satellite microwave images.<\/span> This study is published in the latest Nature Astronomy <\/span>issue<\/span> \u2013 <\/span>https:\/\/www.nature.com\/articles\/s41550-022-01784-y<\/span><\/a> <\/span><\/p>\n

 Galaxy clusters are the most massive object that ever formed in our universe, thus precisely measuring <\/span>their masses has<\/span> very important meanings for many different astronomy studies. While to get its mass from the observed images, astronomers have to first process the image, such as excluding fore\/back-ground objects, and removing the noises; then, different assumptions have to be made to derive the mass from binned image quantities, such as profiles. These assumptions normally oversimplify the state of the real cluster, therefore, the mass derived with such methods doesn\u2019t agree with their true mass. This difference is referred to as bias. Furthermore, the whole process is very time-consuming and the clusters have been handled one by one.<\/span><\/p>\n

The machine learning method proposed by this group overcomes all these problems and can directly get the cluster mass from observed images. The machine learning model is based on one type of deep learning algorithm \u2013  the <\/span>Convolutional Neural Networks<\/span><\/a> (CNN), which can get the most important features of an image to connect with a defined quantity. A perfect tool for this task. However, this involves training the model with almost 200 thousand images from numerical simulations of galaxy clusters, for which the group used the results from The THREE HUNDRED project (<\/span>https:\/\/the300-project.org\/<\/span><\/a>), hosted in UAM. They verified the cluster mass from the machine learning model has no bias and has a very small scatter around the true cluster mass. Applying this model to the images observed by the Planck satellite, they provided cluster masses of over 1000 galaxy clusters that are not affected by usual observational assumptions. <\/span><\/p>\n

This work was mostly done by a PhD student Daniel de Andres from UAM. This paper\u2019s co-leading author, Dr Weiguang Cui commented on the results as very exciting, and he further mentioned that ML is a useful tool which will help us understand our Universe.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

La inteligencia artificial y particularmente el aprendizaje autom\u00e1tico facilita que una m\u00e1quina pueda realizar predicciones a partir del estudio de grandes cantidades de datos. De esta forma, los ordenadores pueden realizar tareas complejas como reconocer objetos en im\u00e1genes o jugar al ajedrez. Recientemente, el aprendizaje autom\u00e1tico ha dado lugar a  m\u00faltiples aplicaciones en diferentes campos de la industria e investigaci\u00f3n. No s\u00f3lo es \u00fatil para acelerar el an\u00e1lisis de enormes cantidades de datos, tambi\u00e9n trae consigo nuevos descubrimientos. En particular, los  m\u00e9todos de inteligencia artificial  para el an\u00e1lisis de datos astrof\u00edsicos est\u00e1n siendo empleados cada vez de forma m\u00e1s habitual \u2026<\/p>\n","protected":false},"author":215,"featured_media":200,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0},"categories":[43,31],"tags":[],"blocksy_meta":{"styles_descriptor":{"styles":{"desktop":"","tablet":"","mobile":""},"google_fonts":[],"version":4}},"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/posts\/194"}],"collection":[{"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/users\/215"}],"replies":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/comments?post=194"}],"version-history":[{"count":8,"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/posts\/194\/revisions"}],"predecessor-version":[{"id":206,"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/posts\/194\/revisions\/206"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/media\/200"}],"wp:attachment":[{"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/media?parent=194"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/categories?post=194"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/talento-cm-uam\/wp-json\/wp\/v2\/tags?post=194"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}