Determinar la edad de las estrellas es crucial para la investigación astronómica, pero los métodos de observación tradicionales no pueden lograrlo directamente. Un equipo de astrónomos de la Universidad de Toronto ha desarrollado un modelo de inteligencia artificial llamado ChronoFlow, que analiza conjuntos de datos de estrellas rotantes en cúmulos estelares y utiliza técnicas de aprendizaje automático para revelar cómo la velocidad de rotación de las estrellas cambia con la edad. Los resultados de este estudio se publicaron en The Astrophysical Journal, y su precisión de predicción supera a los modelos de análisis existentes.

"El primer momento '¡wow!' fue en la fase de validación conceptual, cuando nos dimos cuenta de que esta tecnología realmente mostraba un gran potencial", dice Phil Van Loon, estudiante de doctorado en el Departamento de Astronomía y Astrofísica David A. Dunlap de la Facultad de Artes y Ciencias, y responsable del proyecto. El equipo de investigación colaboró con el profesor asistente en ciencia estadística y astroestadística Josh Speagle y Gwen Eadie, integrando dos métodos tradicionales: las diferencias en las etapas evolutivas de las estrellas causadas por diferencias de masa en los cúmulos estelares, y el fenómeno de que la velocidad de rotación de las estrellas disminuye con la edad debido a la interacción entre el campo magnético y el viento estelar.

El sistema ChronoFlow se basa en datos de misiones de sondeo como Kepler, K2, TESS y GAIA, construyendo un catálogo de estrellas rotantes que incluye más de 30 cúmulos estelares de diferentes edades y aproximadamente 8.000 estrellas. Al entrenar el modelo de IA, el sistema simuló exitosamente las características de cambio temporal en la velocidad de rotación de grupos de estrellas. "Es como adivinar la edad de una persona en una foto nueva a través de fotos de grupos de personas de diferentes edades", compara el profesor Speagle, quien guió el proyecto completo. "Las estrellas en un cúmulo tienen la misma edad, pero la edad de una estrella individual es desconocida; nuestro modelo resuelve este rompecabezas".

Este modelo no solo proporciona una herramienta clave para entender los mecanismos de funcionamiento de las estrellas, sino que también tiene un valor importante para la investigación de la evolución de exoplanetas y la historia de la Vía Láctea. El éxito de ChronoFlow valida el potencial del aprendizaje automático en la resolución de problemas astrofísicos, y su código y documentación ya están disponibles públicamente en GitHub, apoyando a investigadores globales en la inferencia de edades estelares a partir de datos observacionales.