Ser mujer, madre de tres hijos y proveniente de América latina no es lo que se diría una situación ventajosa para hacer una carrera científica en los Estados Unidos y, menos aún, en el área de la inteligencia artificial (IA).
“Siempre fue difícil –cuenta la astrónoma Cecilia Garraffo, licenciada en la Universidad Nacional de La Plata y doctorada en la UBA, desde Boston, donde reside y trabaja–. Me costó mucho decidirme a estudiar astronomía. Cuando trabajé en física teórica, fue complicado ser mujer porque era un ámbito eminentemente masculino. Como estudiante de doctorado, casi me sentía aliviada cuando mis compañeros varones eran condescendientes, pero obviamente eso no es lo que una quiere cuando va creciendo en la carrera. Pero en computación es aún peor, la pasé muy mal. Hubo reuniones de las que salía casi llorando porque los colegas ignoraban lo que decía y después lo repetían como si fuera una idea propia. Era muy violento”.
Sin embargo, Garraffo se las arregló para superar esos obstáculos y hoy dirige el primer centro de inteligencia artificial aplicado a la astronomía, AstroAI, dependiente de la Universidad de Harvard y el Instituto Smithsoniano, con el que trabajan alrededor de 50 investigadores de diferentes disciplinas y que, entre otras cosas, se propone aplicar la potencia de estas herramientas al procesamiento e interpretación de las enormes cantidades de observaciones que harán posibles los nuevos telescopios.
MÁS INFO
Apasionada por la matemática desde chica, pero proveniente de una familia alejada del mundo científico, Garraffo empezó estudiando para actuaria. Pero cuando llegó al tercer año enfrentó una crisis vocacional. “Me interesaba muchísimo el universo, leía los libros de Stephen Hawking y me había apasionado la película Contacto –recuerda–. Decidí estudiar astronomía y hoy siento que es un privilegio. Este es un campo muy nuevo que ofrece múltiples oportunidades. Es una experiencia de humildad, porque todavía hay muchas cosas por aprender, pero estoy orgullosa de la comunidad que creamos”.
Garraffo llegó a los Estados Unidos para hacer la última parte de su doctorado en la Universidad de Brandeis, en el grupo que lideraba Stanley Deser, uno de los que estaba tratando de reconciliar la mecánica cuántica (que describe el zoológico de partículas subatómicas, como los fotones), y la teoría de Einstein (que captura con elegancia cómo la masa y la gravedad dan forma al espacio-tiempo). Ambas teorías funcionan perfectamente bien por separado, pero no se someten al sueño de los físicos de unificarlas en una.
Allí se interesó en las redes neuronales y el aprendizaje automático. Se especializó en astrofísica computacional en el Centro de Astrofísica (CAF), dependiente de la Universidad de Harvard y del Smithsonian Institute. Y luego se incorporó como investigadora asociada al Departamento de Computación de Harvard. Para ese momento, la inteligencia artificial había tomado impulso, empezó a investigar y dar clases, mientras colaboraba con el telescopio de Rayos X Chandra y con el Event Horizon Telescope (EHT), que generaría la primera imagen de un agujero negro.
Por esos días, con un grupo de estudiantes, decidieron presentar un proyecto que incluyera a astrofísicos y especialistas en computación. “Vi que la fórmula funcionaba –comenta–. Y entendí que la razón por la que muchas veces fracasa es porque no hay nadie que facilite la comunicación. Haberme formado en computación y al mismo tiempo en astrofísica me ayudó a establecer un diálogo fluido entre estas dos comunidades que manejan lenguajes tan diferentes. Volví a trabajar en Chandra y ahí la gente empezó a pedir ayuda para un sinnúmero de trabajos. Hicimos una prueba piloto y explotó: pasamos de cuatro proyectos a 37 en tres meses. La directora vio el valor que tiene esto, creó este centro y me acaban de poner a cargo”.
–¿Cómo puede ayudar la inteligencia artificial a explorar preguntas abiertas de la astrofísica?
–Cuando usamos herramientas de inteligencia artificial, podemos descubrir cosas que con los métodos tradicionales no nos son accesibles. Con los primeros, uno busca algo en particular y eso es lo que encuentra, a menos que surja algo por accidente. Con inteligencia artificial, empleando los sistemas más básicos de aprendizaje no supervisado, se pueden hacer conjuntos de datos (por ejemplo, se le pide al modelo que junte las cosas que tienen similitudes, como galaxias, tránsitos, exoplanetas…) y así encontrar patrones que no son obvios para el ojo humano ni para nuestros instrumentos. Allí hay una oportunidad de descubrimiento inmensa.
Un caso que ilustra el poder de la inteligencia artificial aplicada a este campo es el de las lentes gravitacionales [que se forman cuando un haz de luz procedente de un objeto distante se curva alrededor de un objeto masivo situado entre el emisor y el receptor]. Era una predicción de Einstein, pero nunca las habíamos visto hasta que de casualidad alguien divisó dos galaxias muy cercanas con el mismo espectro y se dio cuenta. Si uno hubiese tomado un montón de datos astronómicos y les hubiera aplicado el aprendizaje automático, probablemente lo hubiese podido descubrir no en forma accidental, sino con intención, pero buscando cosas que no eran esas.
–¿Y a la inversa, se le puede pedir al sistema de IA que busque algo en particular que permita probar una hipótesis?
–Exactamente. Sobre todo, estos métodos son muy buenos para encontrar correlaciones sutiles, difíciles de identificar de otras maneras en un mar de datos. En astronomía, estamos por entrar en un era de Big Data. Con el observatorio Vera Rubin [que lleva el nombre de la científica norteamericana a la que se le deben las evidencias más robustas sobre la existencia de materia oscura y que está comenzando a funcionar en el norte de Chile], vamos a pasar de observar 200 supernovas por año, a más de un millón, una cantidad de datos que no estamos preparados para aprovechar. Es inminente una revolución de detecciones, pero si queremos convertirlas en una revolución de descubrimientos, necesitamos herramientas para manejarlas. Ahora, vemos una supernova y apuntamos a ella todos los telescopios para saber más. Cuando tengamos un millón, no vamos a poder hacerlo. Entonces hay que desarrollar algoritmos que nos permitan detectar cuáles son las que nos interesan basados en lo que ya sabemos, pero al mismo tiempo dando lugar a cosas que no esperamos. La IA es ideal para manejar muchos datos cuando buscamos algo que no sabemos que está ahí.
Pero en astronomía, los métodos comerciales de inteligencia artificial no funcionan. Por muchos motivos. Por ejemplo, no solo queremos encontrar cosas nuevas, sino también contar con modelos que estén informados de la física que conocemos, que puedan interpretar lo que descubrimos. Hay métodos que se llaman autoencoders, que permiten extraer la información más importante de ciertos datos. Pero cuando te dan lo que importa, no es fácil decir esto es la masa, ésta es la energía. Uno de nuestros estudiantes logró hacer un autoencoder que permite distinguir la masa y la temperatura en estrellas binarias de rayos X.
Es un campo nuevo que está explotando y creo que está llegando el punto en el que no disponer de ellos va a ser como en otra época no tener una computadora. Son herramientas a las que si no tenés acceso te limitan. Hay muchos campos en la astrofísica en los que va a ser absolutamente necesario.
–¿Qué límites tienen las computadoras?
–Es una buena pregunta. Sin duda, necesitamos mucho poder computacional para algunos proyectos, pero no para todos. Los observatorios como el Vera Rubin están poniendo todos sus datos en la nube. Podremos acceder directamente a ellos para procesarlos y las herramientas de inteligencia artificial son más eficientes que las tradicionales, además de que se reducen mucho los costos. En cosmología, las simulaciones son carísimas y llevan meses incluso en supercomputadoras. Con los métodos que estamos usando ahora, podemos reducir dramáticamente los costos de procesamiento. Con la cantidad de datos que vamos a observar, el poder computacional nunca nos alcanzaría. La manera de lograrlo es aplicando inteligencia artificial.
–¿Y cómo verifican el error? ¿Cómo tienen certeza de que los resultados que arroja la IA no sean una ‘fabricación’ del propio sistema?
–Esa es la clave y lo que hace que muchos tengan resistencia a estas herramientas. Están acostumbrados a escuchar que es una caja negra, que no se puede reproducir… Sin embargo, todos los modelos que hacemos son open source, están en los repositorios a los que cualquiera puede acceder. En principio estamos usando modelos que se llaman “de inferencia”, que no nos dan solo un resultado, sino un rango de valores y cuál es la probabilidad para cada uno. A veces, la inteligencia artificial nos dice ‘Mirá, encontré esto´, y uno puede confirmarlo con otros métodos. Estamos poniendo mucho énfasis en que los resultados sean reproducibles e interpretables.
–¿Pensás que la inteligencia artificial puede llegar a resolver problemas abiertos de la astrofísica e incluso a formular nuevas hipótesis?
–Sí, sin duda. Eso me entusiasma. Mi corazón todavía está en la física teórica y con esta tecnología ahora puedo volver a trabajar en eso. La inteligencia artificial abrevia los tiempos. Por ejemplo, para resolver ecuaciones diferenciales. Encontrar la “solución rotante” de un agujero negro para la teoría de Einstein llevó décadas. Con los métodos que estamos desarrollando, se hace en segundos. Es como tener un asistente que acelera muchísimo el proceso. Pero lo más interesante es poder plantear nuevas hipótesis. Uno de nuestros grupos está desarrollando un modelo multimodal; es decir, al que se pueda entrenar con papers y sus datos astronómicos asociados (en el CFA tenemos lo que se llama el Astrophysical Data Systems (ADS), que es la base de datos que reúne todos los papers astronómicos). Estamos generando un modelo de lenguaje que se puede entrenar con todo el conocimiento de astrofísica desarrollado hasta el día de hoy. Es como entrenar a alguien para que conozca todos los papers que fueron escritos para que pueda encontrar patrones de alto nivel, multidimensionales. Mi expectativa es que en un plazo más largo puedan identificar dónde podemos hacer una pregunta, cuál es el mejor camino para explorar. Una de las críticas más extendidas a la inteligencia artificial es nunca nos dio algo nuevo, solo reproduce cosas. Pero la posibilidad más prometedora es poder extraer nuevo conocimiento de los datos que ya tenemos, porque allí están codificadas leyes fundamentales de la física que no logramos desentrañar.
–¿En estos temas, al revés de lo que ocurre en otros campos, no tienen temor de que la inteligencia artificial pueda reemplazarlos?
–Por supuesto, uno conoce los riesgos y sabe lo que implican. Pero lo que puedo decir es que le vemos mucho, mucho potencial. La IA tiene numerosas aplicaciones positivas. El reemplazo de la persona por la máquina no es nuevo, pero en este ámbito nadie tiene miedo de perder el trabajo por estos sistemas. Al contrario, nos permite liberarnos de la parte tediosa de nuestra tarea y tener más tiempo para escribir papers, para presentar propuestas... De hecho, uno de los primeros modelos que desarrollamos procesaba en un segundo lo que al experto mundial en el tema le llevaba 24 horas con otros tipos de software.
Cerrar sesión