La IA descubre 1.400 objetos cósmicos desconocidos en 35 años de imágenes del Hubble
Hecho Qué ha ocurrido
Un equipo de la Agencia Espacial Europea (ESA) liderado por David O'Ryan y Pablo Gómez ha utilizado la herramienta de aprendizaje automático AnomalyMatch para analizar cerca de 100 millones de fragmentos de imágenes del Telescopio Espacial Hubble acumuladas en 35 años. En apenas dos días y medio, el sistema identificó aproximadamente 1.400 objetos cósmicos con características inusuales, de los cuales más de 800 nunca habían sido documentados. Entre los hallazgos figuran galaxias en fusión, lentes gravitacionales, galaxias con forma de medusa y estructuras de formación planetaria que recuerdan a hamburguesas.
Resumen generado mediante IA a partir de El Confidencial Tecnología. Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Demuestra que la IA puede procesar y descubrir patrones en archivos científicos masivos a una velocidad imposible para equipos humanos, abriendo nuevas posibilidades para explorar datos históricos y descubrir fenómenos astrofísicos que pasaban desapercibidos. Este enfoque es replicable en otros campos científicos con grandes volúmenes de datos acumulados.
- Quién se ve afectado
- Astrónomos, instituciones de investigación espacial, agencias espaciales y proyectos científicos con archivos históricos masivos que requieren análisis automatizado.
- Qué puede cambiar
- La metodología de detección astronómica podría evolucionar desde la revisión manual de imágenes a sistemas automáticos de anomalía, permitiendo reutilizar archivos históricos como fuente de nuevos descubrimientos sin recolectar datos adicionales.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Adopción de técnicas similares en otras misiones espaciales (Euclid, James Webb, Nancy Grace Roman, Vera C. Rubin) y en otros campos científicos con grandes bases de datos. Validación independiente de los 800 nuevos objetos y clasificación de las anomalías que no encajan en categorías conocidas.
Recomendación Qué debería hacer una empresa
Las instituciones de investigación con archivos científicos extensos deberían evaluar en los próximos 6-12 meses la aplicación de sistemas de detección de anomalías similares a AnomalyMatch para reutilizar datos históricos y acelerar descubrimientos.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: El Confidencial Tecnología. La referencia es siempre el artículo original.
Ver fuente original ↗aprendizaje automáticodetección de anomalías Agencia Espacial Europea (ESA)NASA análisis astronómico ESA IA científica Telescopio Hubble
Relacionadas
Astrónomos crean mapa de 4.000 millones de objetos cósmicos para entrenar sistemas de IA
Un equipo internacional de astrónomos ha completado el atlas bidimensional más grande jamás creado, combinando 263.407 exposiciones telescópicas que abarcan…
Por qué importaEste dataset gigantesco representa un caso de uso crítico de IA en investigación científica: entrenar modelos para procesar petabytes de información…
Por qué la IA inventa respuestas: el origen de las alucinaciones según un paper de OpenAI
Un paper de OpenAI y Georgia Tech, publicado en septiembre de 2025, atribuye las alucinaciones de los modelos de lenguaje a dos causas: el entrenamiento para…
Por qué importaPara un directivo, la cifra de precisión de un modelo puede ocultar que inventa con seguridad si las pruebas no penalizan el error. Conviene evaluar…
Microsoft asegura que su IA de diagnóstico supera a médicos generalistas en casos clínicos complejos
Microsoft afirma que su sistema MAI-DxO, que coordina varios agentes de IA, acertó el 83% de los casos complejos de una simulación con casos del New England…
Por qué importaSi los resultados se confirman en entornos clínicos reales, la IA de diagnóstico podría pasar de herramienta de apoyo a parte del proceso de decisión…
Nuevos modelos de IA permiten identificar antes a pacientes con alto riesgo de tumores comunes
Un estudio presentado en el congreso de la ESMO en Madrid desarrolló cerca de 500 modelos de aprendizaje automático para predecir el riesgo de 20 tipos de…
Por qué importaSi los resultados se confirman, datos rutinarios como análisis de sangre y antecedentes podrían bastar para estimar riesgos oncológicos a gran…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.