La NASA anunció que pondrá en órbita el telescopio espacial romano Nancy Grace en septiembre de 2026, ocho meses antes de lo previsto. Se espera que el nuevo telescopio espacial transmita 20.000 terabytes de datos a los astrónomos a lo largo de su vida.
Esto se sumará a los impresionantes 57 gigabytes de imágenes descargadas diariamente desde el Telescopio Espacial James Webb, que comenzó a funcionar en 2021, y al inicio de los estudios a finales de este año por parte del Observatorio Vera C. Rubin en las montañas chilenas, que se estima que recopilará 20 terabytes de datos cada noche.
En comparación, el Telescopio Espacial Hubble, que alguna vez fue el estándar de oro, produce sólo de 1 a 2 gigabytes de lecturas de sensores cada día. Ha pasado mucho tiempo desde que todas esas lecturas se hicieron a mano, pero como cualquier persona con montañas de datos, los astrónomos ahora están recurriendo a las GPU para resolver sus problemas.
Brant Robertson, astrofísico de UC Santa Cruz, ha estado a la vanguardia de este cambio radical en la ciencia al apoyar o utilizar datos de estas misiones. Robertson ha pasado los últimos 15 años trabajando con Nvidia para aplicar GPU al problema de comprender el espacio, primero a través de simulaciones avanzadas que prueban teorías sobre explosiones de supernovas y ahora desarrollando herramientas para analizar flujos de datos desde sus observatorios más nuevos.
“Ha habido una evolución (desde) mirar algunos objetos, hacer análisis basados en CPU en conjuntos de datos a gran escala, hasta luego hacer una versión acelerada por GPU del mismo análisis”, dijo a TechCrunch.
Robertson y el estudiante de posgrado Ryan Hausen desarrollaron un modelo de aprendizaje profundo llamado Morpheus que puede examinar grandes conjuntos de datos e identificar galaxias. Su análisis inicial de IA de los datos de Webb identificó un número sorprendente de tipos específicos de discos de galaxias y añade un nuevo giro a las teorías sobre el desarrollo de nuestro universo.
Ahora Morfeo está cambiando con los tiempos: Robertson cambió su arquitectura de una red neuronal convolucional a un transformador detrás de la aparición de grandes modelos de lenguaje. Esto hará que el modelo sea capaz de analizar un área varias veces mayor que la actual, acelerando así su trabajo.
Evento tecnológico
San Francisco, California
|
13-15 de octubre de 2026
Robertson también está trabajando en modelos generativos de IA entrenados con datos de telescopios espaciales para mejorar la calidad de las observaciones recopiladas por telescopios terrestres, que están distorsionados por la atmósfera de la Tierra. A pesar de los avances en cohetería, todavía es difícil poner en órbita un espejo de 8 metros, por lo que utilizar un software para mejorar las observaciones de Rubin era la siguiente mejor opción.
Pero todavía siente la presión de la demanda global de acceso a GPU. Robertson había utilizado la Fundación Nacional de Ciencias para construir un grupo de GPU en UC Santa Cruz, pero este grupo estaba desactualizado a pesar de que cada vez más investigadores querían aplicar técnicas computacionales intensivas a su trabajo. La administración Trump propuso recortar el presupuesto del NSF en un 50% en su solicitud de presupuesto actual.
“La gente quiere hacer análisis de IA, ML y las GPU son una excelente manera de hacerlo”, dijo Robertson. “Hay que ser emprendedor… especialmente cuando se trabaja en tecnología de punta. Las universidades son muy reacias al riesgo porque los recursos son limitados, así que hay que mostrarles que, ‘mira, hacia aquí es hacia donde vamos en este campo'”.
Cuando compra a través de enlaces en nuestros artículos, es posible que ganemos una pequeña comisión. Esto no afecta nuestra independencia editorial.
