Publicado: octubre 1, 2025, 2:09 pm
La astrofísica tradicional se encuentra en un punto de inflexión. Si bien el avance en la tecnología de telescopios fue “explosivo”, el desafío ahora radica en cómo procesar y entender el vasto mar de datos que estos instrumentos proveen. Aquí es donde entra la inteligencia artificial, no solo para acelerar procesos, sino para hacer posible lo que antes era inviable.
Cecilia Garraffo es argentina. Licenciada en Astronomía (UNLP) y doctora en física (UBA), y es la fundadora y directora del Instituto AstroAI del Centro de Astrofísica de Harvard y Smithsonian, desde 2022. Fue galardonada con el Premio Presidencial de Carrera Temprana para Científicos e Ingenieros (PECASE), el máximo galardón que otorga el gobierno estadounidense a científicos e ingenieros en sus inicios de carrera. El objetivo de su trabajo es desarrollar herramientas de IA “específicamente para atacar problemas de astrofísica que sin estas herramientas no pueden contestarse. Buscamos soluciones a problemas de larga data”, señala. El pasado fin de semana fue una de las invitadas especiales a Nerdearla.
–¿Por qué la inteligencia artificial no funcionaba al principio para los datos de astrofísica?
-La inteligencia artificial estándar falla porque nosotros trabajamos con datos que son diferentes. No están diseñados los modelos de inteligencia artificial para datos científicos y tampoco para nuestros datos.
-¿Qué tipo de datos son estos que los modelos comerciales de IA no pueden procesar?
-Un ejemplo son los espectros. Un espectro es la intensidad de la luz en diferentes frecuencias. Eso un modelo de inteligencia artificial no lo puede manejar porque no es ni una imagen ni es texto.
Descubrimiento intencional
La verdadera revolución que Garraffo y su equipo hicieron posible reside en el concepto de descubrimiento intencional. Históricamente, los hallazgos inesperados en astronomía sucedían por accidente, pero ahora la IA permite diseñar un sistema específicamente para hallar lo desconocido. La herramienta clave para esto es el aprendizaje no supervisado. “El aprendizaje no supervisado lo usamos para encontrar “outliers”, observaciones de fenómenos diferentes de los que conocemos. Y la IA nos permite darles contexto a estos outliers para predecir cuáles serán más interesantes de estudiar”, desarrolla
Este método permite que el modelo organice el vasto volumen de datos, agrupando cosas que “se parecen entre ellas”, incluso sin que el ser humano le haya indicado cuál es esa similitud. Si la IA agrupa un conjunto de fenómenos astronómicos que tienen un patrón muy característico, y ese patrón es nuevo, se habrá encontrado una “clase que yo no conozco”, explica Garraffo. Esto convierte a la IA en un explorador activo en lugar de un simple clasificador.
-¿Entonces la IA permite buscar algo que el humano no sabe que está buscando?
-Por primera vez podemos ahora diseñar un modelo al que le damos datos y le decimos, “buscá algo que sea un patrón que no conocemos.” Eso con métodos tradicionales no lo podés hacer y con inteligencia artificial, sí. Pedirle a un algoritmo que los organice.
La vida en otros planetas y el problema inverso
”El mundo entero está buscando cinco moléculas, pero hay un paper que muestra que hay 14,000 moléculas que aunque no están en la Tierra, si las encontráramos serían signos de vida“, sintetiza Garraffo. “Ahora estamos haciendo el modelo para poder encontrar cualquiera de las 14 mil”, explica. “Las chances aumentan dramáticamente y también te permiten buscar vida que no sea como la vida en la Tierra, sino de cualquier otra manera. Estamos muy acostumbrados al concepto de que al busca algo debemos saber cómo es, y entonces vamos a buscar la vida como la encontramos acá. Y eso es lo que estamos queriendo cambiar”,
Garraffo enfatiza que la IA es crucial para abordar la velocidad y la factibilidad de la investigación, especialmente al resolver los llamados problemas inversos. Un problema inverso ocurre cuando un científico tiene una observación final (el estado actual del universo, por ejemplo) y necesita determinar cuáles fueron las condiciones iniciales, los parámetros cosmológicos o la teoría que dieron origen a ese resultado. Utilizando métodos tradicionales, simular la evolución del universo para probar una teoría puede tardar “meses y meses y meses”. Si la simulación no coincide, hay que volver a empezar.
La IA, en lugar de simular hacia adelante, aprende la relación entre los resultados y las condiciones de partida. Esto “es lo que nos está permitiendo la inteligencia artificial: resolver problemas inversos que eran los que nos impedían avanzar en astrofísica de una manera más rápida y más completa; de alguna manera, es explorar todas las posibilidades”, sostiene. Esto se aplica tanto a la búsqueda de la materia oscura como a la determinación de qué moléculas componen una atmósfera planetaria a partir de un espectro.
