ASTERIS — una IA aprende a separar señal de ruido en imágenes del James Webb

ASTERIS — una IA aprende a separar señal de ruido en imágenes del James Webb#

Cuando un telescopio mira un parche de cielo durante horas, el ruido del detector y residuos de calibración tapan a las galaxias más débiles. Un equipo entrenó un transformer self-supervised para aprender cómo se comporta ese ruido entre exposiciones distintas y descontarlo sin tocar las posiciones ni los flujos de las galaxias reales.

El hallazgo: ASTERIS encuentra 3 veces más candidatos a galaxias de redshift ≳ 9 que los métodos previos en el mismo dato del JWST, con el 87.1% del catálogo final más débil que M_UV = −18 (el umbral típico de búsquedas previas).

Gráfica clave#

Mapa del cielo: 163 galaxias candidatas en GOODS-South

163 candidatos a galaxias del universo temprano en un parche de 0.09° × 0.07° (más pequeño que la Luna llena) — concentrados gracias a horas de exposición JWST y al denoising de ASTERIS.

Reproducir#

Abrir en Colab

O localmente:

pip install pandas matplotlib numpy scipy
jupyter execute notebook.ipynb

Datos#

  • datos/science.ady9404_data_s1.csv — Catálogo final ASTERIS: 163 candidatos a galaxias high-z detectadas en imágenes JWST profundas. Columnas: ID, RA, DEC (grados), zphot (redshift fotométrico), MUV (magnitud absoluta UV en rest-frame), drop_out (filtro JWST donde la galaxia es «dropout» — F115W/F150W/F200W codifica el rango de redshift). 7.4 KB.

Contenido