Este estudio presenta un avance significativo en la comprensión de fenómenos astronómicos transitorios (efímeros) detectados en fotografías astronómicas históricas. Durante mucho tiempo, astrónomos han observado puntos brillantes que aparecen y desaparecen en imágenes tomadas antes del lanzamiento del satélite Sputnik (1957), pero su origen ha sido objeto de debate. Algunos investigadores los atribuyen a defectos en las placas fotográficas, en lugar de a objetos astronómicos reales. Este nuevo trabajo, liderado por Bruehl y colaboradores, utiliza técnicas de aprendizaje automático (Machine Learning o ML) para abordar esta controversia y validar la existencia de estos fenómenos.
El equipo entrenó un modelo de ML con un conjunto de datos de 250 pares de imágenes de transitorios, clasificadas por expertos como reales o defectos de placa. El modelo demostró una buena capacidad para distinguir entre ambos (una precisión del 81% en la evaluación 'out-of-fold', con una sensibilidad y especificidad del 71%). Posteriormente, se aplicó este modelo a un conjunto mucho mayor de 107.875 transitorios previamente identificados, asignando a cada uno una probabilidad de ser un objeto real. Al eliminar los transitorios clasificados como artefactos por el modelo, se observó un aumento significativo en el número de transitorios en fechas coincidentes con pruebas nucleares (una 'ventana nuclear'), lo que sugiere una posible correlación. Además, la presencia de estos transitorios se incrementaba significativamente en fechas dentro de la sombra de la Tierra ('shadow deficit'), un patrón que se acentuaba aún más en los transitorios con mayor probabilidad de ser reales según el modelo.
Estos resultados proporcionan una fuerte evidencia que apoya la existencia de una población de objetos transitorios previamente desconocida, que no pueden ser explicados simplemente como defectos de placa. Estos objetos podrían ser, por ejemplo, estrellas enanas enanas o eventos de microlensing inusuales, aunque su naturaleza precisa aún requiere investigación. El uso de ML ha sido crucial para superar el sesgo de la inspección visual y para identificar patrones sutiles que de otra manera podrían haber sido pasados por alto. El estudio abre nuevas vías para la investigación astronómica, permitiendo a los científicos reexaminar datos históricos con una nueva perspectiva y potencialmente descubrir nuevos fenómenos en el universo.
Consideraciones: Es importante tener en cuenta que, aunque el modelo de ML ha mejorado significativamente la identificación de transitorios reales, aún existen limitaciones. La correlación con las pruebas nucleares podría tener explicaciones alternativas que requieren mayor investigación. Además, la naturaleza de estos objetos transitorios y su relación con los eventos nucleares o la sombra de la Tierra siguen siendo un misterio y requieren estudios adicionales con diferentes conjuntos de datos y técnicas de análisis.