Cartografiando la química estelar con inteligencia artificial

Un equipo internacional, con la participación de Luis A. Gutiérrez-Soto, Analía V. Smith Castelli y Amanda Reis Lopes del IALP, desarrolló una nueva metodología para estimar parámetros atmosféricos y abundancias químicas de millones de estrellas en la Vía Láctea utilizando datos fotométricos, es decir, mediciones de la cantidad de luz que nos llega de cada estrella, a partir de un relevamiento telescópico de grandes regiones del cielo que se llama Southern Photometric Local Universe Survey (S-PLUS).

🌌 ¿Por qué es importante?
Para conocer la composición química de una estrella se suele recurrir a la espectroscopía, que implica un estudio detallado de la luz en cada uno de sus colores componentes, pero que requiere mucho tiempo de observación por cada objeto. Este equipo ha demostrado que, al filtrar la luz de manera que solo pasen colores seleccionados especialmente mediante filtros de banda angosta, también se pueden estimar estos parámetros de manera fiable, con la ventaja de que se observan simultáneamente miles de estrellas en una sola toma, acelerando enormemente el proceso. Gracias a que S-PLUS ha observado una amplia región de la Vía Láctea, es posible mapear la distribución de hierro y otros elementos químicos clave. Esto resulta fundamental para comprender la historia evolutiva de la galaxia, ya que las estrellas pobres en hierro suelen ser más antiguas, mientras que las más ricas en hierro se formaron en etapas posteriores. Este patrón refleja cómo los procesos mediante el cual las estrellas producen elementos químicos a través de reacciones nucleares y las explosiones de supernovas enriquecieron progresivamente el medio interestelar con elementos más pesados que el helio. Por lo tanto, estimar estas abundancias químicas no solo revela la edad relativa de las estrellas, sino que también traza la evolución química de la galaxia a lo largo de miles de millones de años.

📊 Principales resultados:
🔹 Parámetros como temperatura, gravedad superficial y metalicidad (cantidad de elementos químicos más pesados que el helio) fueron estimados para unos cinco millones de estrellas con alta confiabilidad.
🔹 Se obtuvieron abundancias químicas de elementos clave como magnesio, carbono, litio y aluminio.
🔹 La combinación de redes neuronales y aprendizaje automático demostró ser una herramienta poderosa para extraer información astrofísica con gran precisión.

Este trabajo no solo amplía nuestro conocimiento sobre la composición de las estrellas, sino que abre la puerta a futuras exploraciones de la Vía Láctea sin depender exclusivamente de observaciones espectroscópicas.

link: https://ui.adsabs.harvard.edu/abs/2025A%26A…693A.306F

IG: https://www.instagram.com/astrofisicalp/p/DHTYyX6Mx2X/