Valparaíso fue sede de escuela internacional sobre machine learning y astroestadística aplicada a estrellas masivas

La actividad fue organizada por la Universidad Técnica Federico Santa María, la Universidad de Valparaíso y la Universidad Mayor, gracias al financiamiento del programa europeo Marie Curie Staff Exchange Action, en el marco del proyecto OCEANS.

Entre el 24 de noviembre y el 5 de diciembre se llevó a cabo la escuela internacional “Machine Learning and Astrostatistics: Applications to Massive Stars”, en el Edificio CIAE de la Universidad de Valparaíso.

El evento científico fue liderado por especialistas de instituciones nacionales e internacionales provenientes de diversas áreas, que incluyen estadística, astrofísica y ciencias de la computación. En total, 30 estudiantes universitarios e investigadores jóvenes formaron parte de esta instancia interdisciplinaria que tuvo como objetivo fortalecer su formación mediante clases teóricas y talleres prácticos en machine learning aplicado al estudio de estrellas masivas.

“La escuela nació de la necesidad de que los estudiantes aprendan métodos de aprendizaje automático e inteligencia artificial para analizar datos y estudiar estrellas masivas. También buscamos que tengan la oportunidad de colaborar y conocer investigadores”, señaló la Dra. Raquel Pezoa, académica del Departamento de Informática de la USM, investigadora del CCTVal y parte del comité organizador.

Las estrellas masivas cumplen un rol fundamental en la evolución química y dinámica del universo. A lo largo de su vida, expulsan material enriquecido mediante potentes vientos estelares y erupciones que modifican su entorno. Comprender sus propiedades físicas y evolución resulta clave para explicar procesos como la formación estelar, la retroalimentación galáctica y los fenómenos explosivos de su etapa final.

En este escenario, las técnicas de aprendizaje automático (o machine learning) se han consolidado como una herramienta imprescindible para identificar patrones, analizar grandes volúmenes de datos y predecir propiedades estelares. A su vez, la astroestadística permite gestionar incertidumbres y validar modelos, aportando robustez a los resultados científicos.

Contenidos y metodología

El programa abordó temáticas como fundamentos del aprendizaje automático, redes neuronales profundas, detección de anomalías, regularización de Tikhonov, estadística Bayesiana y STAN, imputación de datos, procesos Gaussianos, entre otros.

“Fue una experiencia enriquecedora y aplicable en múltiples áreas. Son temas de vanguardia, así que me abre muchas puertas. Además, he aprendido muchísimo trabajando con gente muy experta”, comentó Martina Tapia, estudiante de Doctorado en Física de la Universidad Nacional de Córdoba (Argentina).

La primera semana estuvo centrada en exposiciones teóricas impartidas por académicos e investigadores. En la segunda, los participantes trabajaron en equipos guiados por un experto para resolver desafíos reales asociados a estrellas masivas.

“El formato fue excelente. Se aprende haciendo. Ver una charla sin aplicarla no se traduce en resultados. Aquí veo cómo los estudiantes utilizan lo aprendido, y eso es maravilloso”, señaló el Dr. Ricardo Ñanculef, académico del Departamento de Informática de la USM, investigador del CCTVal, a cargo del módulo de Deep Learning.

La metodología colaborativa también fue valorada por los asistentes.

“Llegué con pocos conocimientos de machine learning y ahora siento que podré optimizar mi trabajo futuro. Aprendí muchísimo”, agregó Yair Naranjo, egresado de Astronomía de la Universidad Andrés Bello.

Esta iniciativa fue financiada por el proyecto OCEANS (Overcoming Challenges in the Evolution And Nature of Massive Stars), un programa Marie Sklodowska-Curie de la Unión Europea (Grant Agreement No.101183150).

OCEANS reúne a expertos de universidades, observatorios y centros de investigación de República Checa, Alemania, Francia, Polonia, España, Argentina, Brasil, Chile, México y Estados Unidos. Para más información sobre este proyecto, visita su sitio web: https://stel.asu.cas.cz/OCEANS/