La IA de un adolescente valida la ciencia ciudadana
Matteo Paz construyó en seis semanas una tubería de aprendizaje automático que encontró 1,5 millones de objetos titilantes en los datos archivados del cielo de la NASA; ahora astrónomos profesionales usan su catálogo y se preguntan cuántos conjuntos de datos sin explotar existen aún.
La tubería se construyó en seis semanas
Matteo Paz tenía quince años cuando ingresó a Planet Finder Academy, un programa afiliado al Caltech que empareja estudiantes con astrónomos en ejercicio. Su mentor fue Davy Kirkpatrick, del Infrared Processing and Analysis Center. La asignación: revisar aproximadamente doscientos millones de filas de mediciones provenientes del telescopio NEOWISE de la NASA, un satélite lanzado en 2009 para rastrear asteroides cercanos a la Tierra pero que silenciosamente acumuló una década de observaciones infrarrojas de todo el cielo.
Paz no siguió la ruta prevista. En lugar de estudiar un pequeño subconjunto, dedicó seis semanas a construir una tubería de aprendizaje automático que escaneó el archivo completo en busca de fuentes de luz tenues y variables: objetos cuyo brillo parpadea, pulsa o se desvanece de maneras que el software estándar de detección pasa por alto. El sistema las marcó. El catálogo, publicado públicamente a finales de 2025, ya está impulsando observaciones activas en instalaciones importantes como el Observatorio Vera C. Rubin.
El resultado importa menos por la cantidad que por lo que demuestra: el cuello de botella en la astronomía moderna ya no es la potencia computacional ni el acceso a los datos. Es el tiempo. Las instituciones acumulan petabytes de estudios del cielo archivados porque les falta personal para procesarlos. Un adolescente con una laptop, herramientas matemáticas de código abierto y una relación estructural de mentorazgo acaba de demostrar que la brecha puede cerrarse rápido.
Cómo funciona realmente
El modelo de Paz se basó en transformadas de Fourier y análisis de wavelets — técnicas para extraer señales periódicas y transitorias de datos de series temporales ruidosas. Estas son herramientas de posgrado, estándar en procesamiento de señales pero poco comunes en planes de estudio introductorios de astronomía. Paz las aprendió a través de Math Academy del distrito escolar Pasadena Unified, un programa público para estudiantes con talento matemático.
NEOWISE muestra el cielo en infrarrojo a intervalos regulares. La mayoría de los objetos celestes parecen estables. Pero los cuásares parpadean cuando los agujeros negros supermasivos consumen materia. Las estrellas binarias se eclipsan entre sí. Las supernovas brillan y se apagan. Los canales estándar buscan variaciones brillantes y predecibles. Las señales más tenues o raras se escapan.
El algoritmo de Paz hizo lo contrario de perseguir el brillo. Buscó las desviaciones sutiles —el parpadeo, el pulso, el lento oscurecimiento— a lo largo del dataset completo de diez años. El resultado fue un catálogo de 1,5 millones de fuentes variables que no habían sido identificadas sistemáticamente antes. Varios investigadores del Caltech, incluidos Shoubaneh Hemmati, Daniel Masters, Ashish Mahabal y Matthew Graham, ayudaron a refinar el sistema para manejar todo el cielo.
Qué pasa después con los datos
El Observatorio Vera C. Rubin ya comenzó a recurrir al catálogo de Paz. El 24 de febrero de 2026, su sistema de alertas en tiempo real disparó aproximadamente 800.000 advertencias en una sola noche —estrellas que explotan, objetos variables, agujeros negros activos, asteroides—. Eso fue antes de que el gran cuestionario Legacy Survey of Space and Time de Rubin comenzara más tarde ese año. Una vez completamente operativo, Rubin debería generar hasta siete millones de alertas cada noche. Ningún equipo humano puede procesar ese volumen. Los brokers de aprendizaje automático tienen que decidir, en segundos, qué señales merecen seguimiento observacional.
En otras palabras, el enfoque que Paz prototipó en datos archivados ha terminado convirtiéndose silenciosamente en la única forma en que la astronomía moderna opera a escala. Los telescopios han crecido tan potentes que la inteligencia artificial ya no es un lujo. Es el requisito de ingreso.
La dirigencia de la NASA ha reconocido públicamente la contribución de Paz, describiéndola como evidencia de que las grandes instituciones espaciales ahora reconocen que descubrimientos revolucionarios pueden emerger de fuentes no tradicionales. Ese reconocimiento tiene peso. Señala un cambio en cómo los organismos de financiación y las agencias evalúan de dónde provienen el talento y la comprensión.
La implicación más amplia: qué otro tesoro permanece desaprovechado?
La historia inmediata es inspiradora. La historia estructural es más grande. La nebulosidad yace en conjuntos de datos archivados que los profesionales simplemente no tienen tiempo de examinar. La misión Gaia, que ha cartografiado más de mil millones de estrellas, ha lanzado múltiples releases de datos que contienen fotometría de series temporales que permanece mayormente sin explorar en busca de señales transitorias y variables. Los archivos del Zwicky Transient Facility, los relevados del cielo Pan-STARRS y las curvas de luz archivadas de TESS contienen similar acervo.
Cada uno de estos datasets comparte el mismo problema que NEOWISE enfrentaba antes de Paz: demasiados datos, no suficientes manos. La diferencia ahora es que la barrera para construir una tubería de extracción es dramáticamente menor. Las bibliotecas de código abierto para análisis de series temporales, transformadas de Fourier y descomposición wavelet están disponibles gratuitamente. Un estudiante motivado con habilidades básicas de programación puede prototipar lo que alguna vez requirió un grupo de investigación y financiamiento de una beca.
Todavía quedan varias preguntas sin resolver. Qué tan representativo es el catálogo de 1,5 millones de objetos de Paz para la verdadera población de fuentes variables en el cielo infrarrojo? Algunas detecciones pueden ser artefactos instrumentales o clases conocidas de objetos mal clasificados por el algoritmo. Los astrónomos profesionales necesitarán validar una muestra antes de que el catálogo ingrese a los libros de texto. Y el propio Paz ha dicho que planea extender el enfoque más allá de la astronomía —hacia finanzas, monitoreo ambiental, neurociencia— áreas donde aplica el mismo desafío de cribado a través de series temporales ruidosas.
Lo que está claro es que el modelo es reproducible. El emparejamiento del Planet Finder Academy entre estudiantes y mentores institucionales proporcionó el andamiaje. Los datos abiertos proporcionaron el material. La tubería de IA proporcionó el motor. Quita cualquiera de los tres componentes y el resultado cambia significativamente. Mantén los tres y obtienes un estudiante de secundaria superando los planes de procesamiento manual de un equipo profesional de investigación.
Quiénes ganan y quiénes pierden
Ganan los estudiantes de distritos subfinanciados. Los programas de escuelas públicas que invierten en matemáticas avanzadas y formación computacional —como Math Academy de Pasadena— ganan un retorno visible de la inversión. Las instituciones que abren sus datos, como IPAC y la NASA, ganan capacidad analítica inesperada sin partidas presupuestarias adicionales.
Pierden los modelos tradicionales de control de acceso. La suposición de que un descubrimiento astronómico serio requiere un doctorado, una plaza de laboratorio y recursos computacionales institucionales ya no es defendible. Nunca lo fue realmente, pero el trabajo de Paz hace imposible ignorar la contradicción.
La próxima década de relevados celestes amplificará este patrón. Solo Rubin producirá más datos en una sola temporada de observación de lo que la humanidad ha procesado colectivamente de relevados ópticos e infrarrojos durante los últimos cincuenta años. Los analistas humanos seguirán siendo esenciales para el diseño, la validación y la interpretación. Pero el cribado inicial —la detección de qué píxeles parpadeantes merecen una segunda mirada— pertenece a los algoritmos. La pregunta ya no es si aficionados y estudiantes pueden construir esos algoritmos. Es si las instituciones crearán caminos suficientemente amplios para que importen a escala.