Por: La Redacción.
Chihuahua, Chih., a 17 de septiembre del 2026.- En el terreno de la astrofísica contemporánea, uno de los mayores desafíos tecnológicos no radica únicamente en observar el universo, sino en lograr aislar las débiles señales del cosmos frente al abrumador ruido de la actividad humana y terrestre. Para abonar a esta tarea, la investigación desarrollada en el ámbito local por la comunidad académica de la Universidad Autónoma de Chihuahua (UACH) abre nuevas rutas en el procesamiento avanzado de datos.
El trabajo encabezado por el estudiante de la Maestría en Ingeniería en Computación, Ing. Carlos Patricio Castañeda Bustamante, bajo la dirección del Dr. Alain Manzo Martínez, propone la implementación de modelos de inteligencia artificial para optimizar la detección e interpretación de ondas gravitacionales: perturbaciones del espacio-tiempo originadas por eventos de alta energía como la explosión de supernovas o la colisión de agujeros negros.
Las señales que logran viajar a través del universo hasta arribar a la Tierra llegan frecuentemente distorsionadas. Los sofisticados interferómetros encargados de su captura suelen verse afectados por interferencias de diversa índole, que van desde vibraciones provocadas por vehículos y actividades humanas en las inmediaciones de los laboratorios, hasta fenómenos asociados con la naturaleza cuántica de las partículas.
Este trasfondo dificulta la identificación temprana de las débiles señales producidas por las ondas gravitacionales, convirtiendo el análisis de datos en un cuello de botella técnico para la investigación científica.
Para mitigar este problema, la investigación de la FING-UACH plantea una metodología estructurada en tres fases secuenciales de aprendizaje automático (machine learning):
- Reducción de ruido: En la primera etapa se utiliza un modelo denominado Autoencoder, cuya función es procesar la señal recibida del espacio para obtener una representación con un menor nivel de ruido.
- Detección de patrones: Posteriormente se emplea un modelo Long Short-Term Memory (LSTM), especializado en el análisis de información secuencial y capaz de reconocer patrones característicos dentro de las señales.
- Caracterización del fenómeno: Finalmente, a través de una Convolutional Neural Network (CNN), el modelo permite estimar la masa del objeto involucrado en el evento que produjo la onda gravitacional, obteniendo información adicional sobre sus características.
Si bien la integración de arquitecturas computacionales avanzadas representa una alternativa innovadora para procesar los grandes volúmenes de información científica, el desarrollo de este tipo de proyectos pone de relieve una constante histórica en las instituciones de educación superior: el talento y la innovación de alto impacto suelen surgir desde el esfuerzo académico de posgrado, a pesar de los desafíos tecnológicos y presupuestales que históricamente ha implicado la investigación científica en el país.
Aun con estos rezagos estructurales, la convergencia entre la ingeniería en computación, la inteligencia artificial y la astrofísica desde el norte de México demuestra que las universidades estatales cuentan con la capacidad técnica para aportar soluciones a problemas científicos globales, facilitando el análisis de fenómenos que hasta hace pocos años representaban enormes retos tecnológicos.
