IA identifica y predice moléculas en el espacio con embeddings químicos

Un equipo de investigadores desarrolló un método basado en inteligencia artificial capaz de asignar y predecir automáticamente la presencia de moléculas en relevamientos espectrales astronómicos, conocidos como line surveys. El sistema utiliza embeddings químicos —representaciones vectoriales de propiedades moleculares— para entrenar modelos de aprendizaje automático que reconocen firmas espectrales con mayor velocidad y precisión que los métodos manuales tradicionales.

La identificación de moléculas en el espacio interestelar es una tarea crítica para la astrobiología y la astroquímica, ya que permite rastrear los bloques químicos que podrían estar vinculados al origen de la vida. Sin embargo, el volumen de datos generado por radiotelescopios modernos hace que el análisis humano resulte cada vez más ineficiente y propenso a errores u omisiones.

El modelo propuesto aprende patrones a partir de bases de datos espectroscópicas existentes y los aplica para predecir qué moléculas podrían estar presentes en regiones del universo aún no catalogadas. Según los autores, el enfoque reduce significativamente el tiempo de procesamiento y abre la puerta a descubrimientos que de otro modo pasarían inadvertidos en conjuntos de datos masivos.

Este avance se enmarca en una tendencia creciente de aplicar técnicas de machine learning a la astronomía observacional, campo en el que la IA está demostrando ser una herramienta transformadora para procesar la avalancha de información proveniente de nuevas generaciones de telescopios e instrumentos espaciales.