El evento se realizó en dependencias del Observatorio Nacional de Río de Janeiro con científicos de todo el mundo.
El uso de deep learning para analizar espectros de estrellas masivas, fue el tema presentado por Raquel Pezoa, profesora del Departamento de Informática de la Universidad Técnica Federico Santa María en la conferencia “Physics of Extreme Massive Stars”, realizada en el Observatorio Nacional de Río de Janeiro.
Sobre su ponencia, Raquel explica que se trata de un trabajo colaborativo, que desarrolla junto a colegas y estudiantes del Instituto de Física y Astronomía (UV) y del Centro Multipliscinario de Física (UMayor). “Mi trabajo consiste principalmente en el diseño e implementación de métodos que usan redes neuronales profundas (deep learning) para clasificar líneas espectrales de las estrellas y también para predecir parámetros como la temperatura efectiva, la velocidad de la rotación, la tasa de pérdida de masa, entre otros”, precisa la profesora.
El evento convocó a científicos que trabajan en diversos temas relacionados con la investigación de estrellas masivas, incluyendo los procesos que desencadenan la pérdida de masa en estrellas masivas durante fases extremas de su evolución; y el estudio de los entornos de estrellas masivas a pequeña y gran escala y su binaridad. “Considerando que la comunidad astronómica ha generado una avalancha de nuevos datos procedentes de diferentes observatorios que utilizan variadas técnicas de observación, se ha dado lugar a descubrimientos innovadores y también ha destacado la importancia de uso de herramientas basadas en machine learning que permitan analizar estos grandes volúmenes de datos”, agrega Raquel Pezoa.
Su vinculación con la temática hoy se concreta a través de un proyecto de astrofísica, que, por segunda vez obtiene financiamiento del programa Horizon (financiado por la Unión Europea, a través de la Agencia Ejecutiva de Investigación Europea) en el que tendrá el rol de contribuir en el análisis de datos desde el contexto informático y principalmente en temas de machine learning, deep learning y bayesian deep learning.