Claude Science de Anthropic ha producido el primer mapa ultravioleta completo de todo el cielo, un hito descrito por el astrofísico de Johns Hopkins Brice Ménard, quien dirigió el proyecto y detalló el proceso en el sitio web de Anthropic. El esfuerzo, informado por The Decoder, muestra cómo los agentes coordinados de IA pueden absorber el tedioso trabajo de datos que de otro modo los equipos de investigación nunca podrían realizar.
El mapa llena los vacíos que dejaron décadas de antigüedad misiones espaciales anteriores, combinando observaciones de archivo con reconstrucciones generadas por modelos de regiones que ningún telescopio ha cubierto por completo. Es uno de los ejemplos más concretos hasta ahora de cómo la IA pasa de los chatbots y los asistentes de codificación a la maquinaria diaria de la investigación científica, un tema que recorre gran parte de la [cobertura de investigación de IA] actual (https://aibuzzwire.news).
Por qué nunca existió un mapa UV completo
La luz ultravioleta es invisible desde el suelo. La capa de ozono lo bloquea, lo que significa que la astronomía ultravioleta sólo se puede realizar desde el espacio. La misión GALEX de la NASA, que examinó el cielo en ultravioleta de 2003 a 2013, logró cubrir aproximadamente dos tercios del cielo, pero se saltó las regiones brillantes de formación de estrellas, donde la luz es tan intensa que puede dañar los detectores o saturar las observaciones.
Eso dejó aproximadamente un tercio del cielo sin cobertura ultravioleta, incluidos algunos de los barrios científicamente más interesantes, llenos de estrellas jóvenes y formación estelar activa. Durante más de una década, los astrónomos que trabajan con datos ultravioleta han tenido que lidiar con esos agujeros, juntando vistas parciales o simplemente evitando las regiones faltantes en sus análisis.
Cómo los agentes de IA ensamblaron el mapa
Claude Science coordina equipos de agentes de inteligencia artificial que descargaron datos de múltiples misiones espaciales, los calibraron y los fusionaron en un único mapa consistente. Cuando faltaban observaciones, el sistema utilizaba inpainting, una técnica en la que un modelo aprende de los datos existentes para reconstruir las lagunas.
Los resultados se validaron con mediciones reales: en las pruebas, las predicciones del modelo se desviaron de los valores reales en aproximadamente un 10 por ciento en promedio, según la descripción del proyecto por parte de Ménard. Esa tasa de error es importante (es la diferencia entre un producto científicamente utilizable y una imagen bonita) y sugiere que las reconstrucciones son lo suficientemente cercanas como para respaldar el trabajo exploratorio, incluso si no sustituyen a la observación directa.
La luz ultravioleta revela polvo iluminado por la luz de las estrellas, incluidas estructuras como nubes alrededor de estrellas jóvenes y anillos dejados por explosiones estelares. Ahora que todo el cielo está cubierto, los investigadores pueden estudiar esas características en regiones que antes eran puntos ciegos.
El enfoque de coordinación de agentes es tan notable como el resultado. En lugar de que un solo modelo respondiera preguntas, el sistema descompuso el proyecto en trabajos (localizar archivos de la misión, extraer los datos, verificar la calibración, alinear proyecciones, fusionar encuestas superpuestas, identificar brechas) y los asignó a agentes especializados que trabajaron a lo largo del proceso. Los científicos humanos establecieron los requisitos y validaron el resultado; los agentes hicieron el trabajo de montaje que de otro modo habría consumido una década de un estudiante de posgrado.
Una herramienta de enseñanza y una plantilla
Ménard dijo que el mapa está destinado a servir como material didáctico, brindando a estudiantes e investigadores una visión completa del cielo ultravioleta por primera vez. Pero la implicación más importante puede ser el flujo de trabajo en sí.
Sospecha que muchos científicos han estado posponiendo proyectos similares: grandes y poco glamorosos esfuerzos de integración de datos que la IA ahora podría hacer posibles. Los archivos de misiones espaciales pasadas están llenos de datos que nunca fueron explotados por completo, no porque carezcan de valor sino porque limpiarlos, calibrarlos y fusionarlos requeriría años de trabajo duro para un equipo de investigación. Los sistemas basados en agentes como Claude Science cambian esa economía: la coordinación y el manejo de datos que alguna vez consumieron una carrera pueden ocurrir en un proyecto.
También hay una silenciosa ironía en el origen de las lagunas. GALEX se saltó las regiones de formación de estrellas más brillantes precisamente porque se encuentran entre los objetivos más valiosos: los motores de formación de nuevas estrellas que los astrónomos más desean estudiar en luz ultravioleta. Una misión diseñada en torno a la protección de instrumentos terminó dejando sin mapear sus vecindarios más interesantes, y solo ahora, con la reconstrucción asistida por IA, se está llenando ese punto ciego.
Las advertencias
Las regiones pintadas son predicciones, no medidas. Aproximadamente un tercio de este mapa existe porque un modelo infirió cómo debería verse el cielo ultravioleta basándose en los datos circundantes y los patrones aprendidos de las regiones cubiertas. La desviación promedio del 10 por ciento es una cifra agregada; estructuras específicas (un anillo tenue alrededor de un remanente estelar, el borde de una nube de polvo) podrían ser menos confiables de lo que sugieren las estadísticas generales del mapa.
Eso no es un despido. Todo proyecto de reconstrucción en astronomía se enfrenta al mismo compromiso, y el proyecto Antrópico es transparente sobre qué regiones se infirieron. Pero los investigadores que citen el mapa necesitarán distinguir las áreas observadas de las reconstruidas, particularmente en el caso de fuentes débiles o inusuales.
El proyecto también señala el impulso más amplio de Anthropic para posicionar sus modelos dentro de los flujos de trabajo científicos, desde el mapa del cielo hasta el escaneo de vulnerabilidades para software de código abierto anunciado esta semana. Para la comunidad de astronomía, la conclusión inmediata es más sencilla: un conjunto de datos que no existía ahora sí existe, y las herramientas que lo construyeron pueden utilizarse en otras misiones a continuación.
---
Manténgase a la vanguardia de la IAObtenga las últimas noticias, análisis y avances en IA, todo en un solo lugar.
Leer más noticias sobre IA →
