Batido cósmico: búsqueda de anomalías sin receta ✛ ✦

Original: "Weakly supervised machine learning for model-agnostic searches of new phenomena in the $$\gamma$$-ray sky"
arXiv:2607.07158 · 2026-07-08 · CC BY 4.0 · 1 min
Los científicos enseñan a la computadora, como un catador, a distinguir anomalías cósmicas por diferencias apenas perceptibles, sin tener una muestra de comparación.

El telescopio de rayos gamma Fermi ha mapeado miles de potentes explosiones de luz. Muchas provienen de objetos familiares: púlsares — faros estelares, y núcleos galácticos activos — resplandores alrededor de agujeros negros. Pero más de dos mil fuentes no han sido identificadas. Quizás entre ellas haya señales de materia oscura — el andamio invisible de las galaxias. La búsqueda está inspirada por los trabajos de Vera Rubin, Jocelyn Bell Burnell y Roberto Peccei.

El método se asemeja a un catador con dos batidos. Uno es el sabor puro de un plátano conocido (radiación de objetos familiares). El otro es el mismo plátano con una gota de jarabe desconocido. El aprendizaje automático los compara y encuentra diferencias sin la 'receta' del aditivo. Al algoritmo se le alimentan mediciones de brillo reales y descomposición de la luz del telescopio, así como modelos computacionales de espectros.

Sin pistas, el método reconoció el 82% de las anomalías, casi como con un entrenamiento completo.

Este cribado no sustituye el análisis detallado, sino que es una forma flexible de seleccionar candidatos. Es especialmente importante cuando la señal es desconocida, ya sea materia oscura o nuevas partículas. Se planea filtrar todo el catálogo de Fermi para que ninguna anomalía pase desapercibida.

Más de dos mil fuentes de rayos gamma en el catálogo de Fermi permanecen sin identificar, superando el número de púlsares conocidos o núcleos activos. Un universo oculto espera a su descubridor.

Como en la novela 'Materia oscura' de Blake Crouch, la búsqueda de fuerzas invisibles que alteran la radiación de objetos lejanos se asemeja a un detective sobre una realidad oculta.

E_c \simeq 2.5\,\text{ГэВ}\,\left(\frac{|m_a^2 - \omega_{\rm pl}^2|}{1\,{\rm нэВ}}\right)\left(\frac{B_\perp}{\mu\text{Г}}\right)^{-1}\left(\frac{g_{a\gamma}}{10^{-11}\,\text{ГэВ}^{-1}}\right)^{-1}
Por encima de esta energía las oscilaciones se vuelven independientes de la energía, y cerca de ella aparecen 'ondulaciones' características en el espectro.
l_{\rm osc} = 32\,{\rm кпк}\,\sqrt{1+(E_c/E_\gamma)^2}\left(\frac{B_\perp}{\mu\text{Г}}\right)^{-1}\left(\frac{g_{a\gamma}}{10^{-11}\,\text{ГэВ}^{-1}}\right)^{-1}
Escala característica en la que la probabilidad de conversión varía periódicamente, dando lugar a una modulación del flujo observado.
Científicos
Andrey Markov
Conceptos
aprendizaje supervisado débil aprendizaje autosupervisado telescopio Fermi lente gravitacional débil astrofísica con IA detección de anomalías espectroscopía de rayos gamma clasificador medición débil datos de entrenamiento regresión simbólica datos etiquetados análisis espectral con IA falso positivo selección de eventos detección de señales astrofísicas telescopio de rayos gamma cartografía celeste promediado de señal espectroscopía con reducción de ruido