El trabajo se distingue entre sus vecinos de archivo: junto a él hay estudios que usan relaciones clásicas o aprendizaje automático para estimar la metalicidad, pero no para predecir directamente la luminosidad. Unos colegas afinan distancias con cefeidas y gigantes rojas, otros cartografían la Vía Láctea y otros estudian la evolución química de las galaxias. Nuestro artículo llena ese hueco: demuestra que una red neuronal puede sacar la luminosidad absoluta de la forma de la curva de luz, saltándose el paso intermedio de la metalicidad. Es un método distinto al de los vecinos y promete mayor precisión con menos coste observacional.
Para el entrenamiento se tomaron 63 043 estrellas de tipo RRab y 16 602 de tipo RRc del catálogo Gaia DR3. Las curvas de luz en la banda G se plegaron por fase con los períodos de Gaia, se alinearon según el primer armónico de Fourier y se normalizaron. La entrada del modelo eran secuencias irregulares de «fase–brillo», rellenadas o recortadas hasta una longitud fija. La arquitectura es una LSTM bidireccional con dos capas y regularización dropout, en total 134 273 parámetros. Se entrenó con el 80% de los datos y se validó con el 20%, con validación cruzada de cinco particiones. Para comparar se probaron una regresión lineal, un bosque aleatorio, una CNN, una RNN y un Transformer. Las etiquetas de magnitud absoluta se tomaron del catálogo fotométrico de Li et al. (2023), pero el modelo no veía la metalicidad de forma directa: solo la forma de la curva.
El modelo para RRab dio un error cuadrático medio de 0,053 magnitudes, y para RRc de 0,036, lo que corresponde a una incertidumbre en la distancia del 2,5% y del 1,7% para estrellas individuales. En 22 cúmulos globulares con RRab y 16 con RRc, la precisión mediana de las distancias fue del 1,0% y del 1,7%. Para la Gran Nube de Magallanes, el módulo de distancia es 18,498±0,001(estad.)±0,018(sist.), y para la galaxia enana esferoidal del Escultor, 19,564±0,003(estad.)±0,019(sist.). Ambos valores concuerdan con mediciones previas dentro de 0,7 sigmas y mejoran la precisión en promedio 1,8 veces. El análisis de ablación mostró que el modelo se apoya en tramos físicamente significativos de la curva: para RRab importan la rama ascendente y el mínimo, y para RRc, la rama ascendente y las zonas cercanas al máximo.
A diferencia de los trabajos vecinos, que o bien usan relaciones tradicionales o bien predicen la metalicidad como paso intermedio, aquí la red neuronal vincula directamente la forma de la curva de luz con la luminosidad. Esto elimina la sistemática asociada a las estimaciones de metalicidad y abre la posibilidad de determinar distancias de forma masiva sin espectroscopía. El método puede trasladarse a otros tipos de estrellas variables y a los datos de futuros sondeos del cielo, como LSST. Para la ciencia, es un paso hacia una escala de distancias única que no dependa de la composición química de las estrellas.
La siguiente etapa es el entrenamiento con curvas de luz multibanda, lo que permitirá tener en cuenta el enrojecimiento interestelar y suprimir aún más los errores sistemáticos. Con la llegada de los datos de LSST y SiTian, el número de RR Lyrae conocidas crecerá en órdenes de magnitud, y el modelo podrá reentrenarse para sistemas más lejanos. Una tarea aparte es separar la variabilidad de tipo Blazhko, que añade ruido a las curvas. A largo plazo, este tipo de modelos se convertirá en una herramienta estándar para calibrar la escala de distancias en el universo.
El método influirá en la arqueología galáctica, en el refinamiento de la constante de Hubble y en el estudio de la estructura del Grupo Local. También es útil para planificar observaciones con los nuevos telescopios, donde se necesita una estimación rápida de distancias a partir de la fotometría.
Los pasos inmediatos son aplicar el modelo a los datos de ZTF y a futuras entregas de Gaia, así como adaptarlo a curvas de luz infrarrojas. En paralelo, conviene comprobar qué tan bien funciona el modelo en estrellas con variabilidad Blazhko intensa.
Para la astrofísica, el problema clave sin resolver es la calibración precisa de la escala de distancias, de la que dependen el valor de la constante de Hubble y la edad del universo. Nuestro trabajo muestra que el aprendizaje automático puede reducir los errores sistemáticos ligados a la metalicidad y ofrecer una verificación independiente de la escalera de las cefeidas. Es una contribución directa a resolver la llamada «tensión de Hubble»: la discrepancia entre las mediciones locales y cosmológicas de la velocidad de expansión.
Las estrellas RR Lyrae pulsan con períodos de entre 0,2 y 1,2 días, y su brillo varía entre 0,2 y 2 magnitudes. En los cúmulos globulares son tan numerosas que se las llama «faros de los sistemas viejos y pobres».
En la novela de Isaac Asimov «Los propios dioses», una civilización extraterrestre utiliza fuentes de energía pulsantes para la comunicación interestelar. Nuestras RR Lyrae son púlsares naturales del rango óptico, y su ritmo bien podría convertirse en un código de distancia.