Con 18 años y un ordenador por laboratorio, Matteo (Matthew) Paz ha conseguido algo poco habitual: dar una segunda vida a un archivo astronómico gigantesco y convertirlo en un catálogo útil para la comunidad. Su proyecto, presentado en el marco del Regeneron Science Talent Search, culmina en un censo de 1,9 millones de objetos infrarrojos variables, de los que 1,5 millones serían nuevos; un resultado que le valió el primer premio de 250.000 dólares.
La historia arranca con un "clásico" de la NASA: WISE, telescopio espacial infrarrojo lanzado en 2009 y reorientado después como NEOWISE para seguir asteroides y cometas cercanos. La clave es que, al repetir observaciones del cielo durante años, la misión dejó un tesoro para la astronomía del tiempo: series temporales que permiten ver cómo cambian brillo y actividad de fuentes lejanas, desde estrellas variables hasta núcleos galácticos activos.
Cuando el archivo te come
El cuello de botella era el de siempre: volumen y complejidad. Society for Science describe el reto en números que marean —casi 200 terabytes y cerca de 200.000 millones de líneas—, y el propio artículo técnico habla de una base "single-exposure" con casi 200.000 millones de apariciones en 10,5 años de cielo completo. A esa escala, "mirar a mano" no es una opción: hay que automatizar sin perder sensibilidad a señales débiles.
Ahí entra VARnet, el modelo que Paz describe en The Astronomical Journal: una arquitectura que combina descomposición wavelet, extracción de rasgos tipo Fourier (incluida la llamada finite-embedding Fourier transform) y deep learning para detectar variabilidad tenue en curvas de luz. En sus pruebas, el sistema alcanza un F1 de 0,91 en un esquema de cuatro clases y reduce el tiempo de procesado por fuente a menos de 53 microsegundos en GPU, justo lo que necesitas cuando la lista de candidatos se cuenta por miles de millones.
Un "zoológico" infrarrojo reutilizable
¿Y qué aparece cuando cribas el cielo infrarrojo con esa lupa? Un "zoológico" de objetos que cambian: desde agujeros negros supermasivos a estrellas recién nacidas y supernovas, clasificados en un inventario pensado para que otros grupos lo reutilicen. La idea de fondo —construir una encuesta completa de variabilidad infrarroja— encaja con una tendencia clara en astrofísica: unir grandes sondeos y aprendizaje automático para entender un universo que, en realidad, parpadea todo el tiempo.
El detalle que completa el cuadro es el ecosistema: Caltech cuenta que el trabajo se apoyó en mentoría y programas de investigación para estudiantes, y subraya que el resultado terminó en un artículo revisado por pares y en una ampliación práctica del potencial científico de NEOWISE.