Aprendizaje Automático para Lentes Gravitacionales Fuertes

René Parlange es Ingeniero Electrónico egresado de la Universidad Autónoma de San Luis Potosí (UASLP). Realizó su maestría en ciencias computacionales en el Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE). Actualmente, es estudiante de doctorado en ciencias de la computación en la UASLP, y está asociado al Instituto de Astronomía de la Universidad Nacional Autónoma de México (IA-UNAM). Es miembro del Legacy Survey of Space and Time (LSST), Dark Energy Science Collaboration y Strong Lensing Science Collaboration (SLSC).

Esta plática presenta avances recientes en el uso de técnicas de aprendizaje automático (machine learning) para la detección y el modelado de lentes gravitacionales fuertes. Diversos estudios han empleado redes neuronales convolucionales (CNN), Vision Transformers (ViT) e incluso encoders informados por la física (como Lensformer). Además, dominan el campo del modelado de lentes gravitacionales las redes neuronales Bayesianas (BNNs) y los enfoques guiados por gradiente (como GIGA-Lens, basado en JAX), que estiman parámetros y cuantifican la incertidumbre. Otros trabajos han integrado métodos de aprendizaje no supervisado, tales como autoencoders variacionales (VAE) y máquinas de Boltzmann restringidas (RBM), junto con técnicas de segmentación de imágenes (como U-Net) para detectar la subestructura de la materia oscura. Adicionalmente, se han considerado estrategias de búsqueda de arquitecturas neuronales (NAS) con optimización de hiperparámetros (HPO) y técnicas de adaptación de dominio (DA), tales como ADDA y AdaMatch, que permiten alinear las distribuciones de las simulaciones con las de lentes gravitacionales reales.