Matteo Paz, de 18 años, entrenó un modelo con datos de NEOWISE y marcó 1,5 millones de objetos variables candidatos, con coordenadas listas para telescopios de seguimiento
Un estudiante de preparatoria de Pasadena, Matteo Paz, analizó el archivo infrarrojo del telescopio espacial NEOWISE y encontró 1,5 millones de candidatos a objetos celestes que cambian de brillo con el tiempo. Esa variación, llamada objeto variable, suele delatar fenómenos como quásares, supernovas o sistemas de estrellas eclipsantes. Paz no miró imágenes una por una: diseñó un algoritmo de aprendizaje automático que lee la curva de luz, la serie temporal de mediciones, y busca patrones que se repiten o se desvían del ruido. El resultado es un catálogo con coordenadas y etiquetas preliminares para priorizar observaciones de seguimiento. El punto de partida fueron casi 200 mil millones de detecciones acumuladas en más de una década, un volumen imposible de filtrar a mano.
NEOWISE observó el cielo completo en infrarrojo y repitió barridos cada varios meses, generando curvas de luz para millones de fuentes. El modelo de Paz se entrena con ejemplos conocidos y aprende a distinguir cambios reales de artefactos instrumentales. En vez de buscar un solo tipo de señal, detecta diferencias mínimas entre mediciones y agrupa comportamientos similares para clasificar. Además, su salida incluye probabilidades, lo que permite ordenar listas de seguimiento según urgencia científica y disponibilidad de telescopio. Es una automatización de astronomía de dominio temporal, el estudio de cómo varía el Universo en el tiempo, aplicada a un archivo que ya existía.
El impacto está en escala y reutilización: el análisis procesó alrededor de 200 terabytes de observaciones y terminó con 1,5 millones de candidatos que antes no estaban catalogados como variables. Eso abre blancos para espectroscopía y monitoreo con telescopios actuales, y ayuda a estudiar poblaciones que cambian en años, como núcleos activos o estrellas binarias. La propia colaboración de NEOWISE prevé publicar el catálogo completo para que otros grupos lo crucen con encuestas ópticas y de radio.
Hay límites: el algoritmo entrega candidatos, no confirmaciones, y la cadencia de NEOWISE puede perder eventos muy rápidos o cambios muy lentos. Por eso, el siguiente paso es validar una fracción con observaciones dedicadas y mejorar los clasificadores con nuevos datos. El trabajo también llamó la atención fuera de Caltech: el administrador de NASA, Jared Isaacman, le pidió públicamente que solicite empleo en la agencia y hasta ofreció un vuelo en un jet como incentivo.
Fuente: Caltech.edu
