Coloquio: Ciencia de datos y machine learning para la caracterización de planetas extrasolares

Rodrigo Diaz
Instituto de Ciencias Físicas (ICIFI; UNSAM / CONICET), Escuela de Ciencia y Tecnología (UNSAM) y Centro de Inteligencia Artificial Interdisciplinaria (ECyT, UNSAM)

En la búsqueda de desentrañar los misterios de nuestro universo, el descubrimiento y caracterización de planetas extrasolares ha sido uno de los empeños más cautivantes de la astronomía moderna. Los procesos de formación y evolución de los exoplanetas se han puesto de manifiesto gracias a casi 30 años de esfuerzos observacionales y teóricos.

Al mismo tiempo, la revolución de los datos está cambiando radicalmente la forma de investigar en diversos campos de las ciencias físicas, desde la física de partículas a la dinámica molecular, pasando por la cosmología. El ámbito de la ciencia exoplanetaria no es una excepción. Los avances en la ciencia de datos y el aprendizaje automático se están convirtiendo en herramientas indispensables para explotar plenamente los conjuntos de datos disponibles y prepararse para futuros instrumentos.

De hecho, la ciencia exoplanetaria se encuentra en la intersección de dos olas de transformación, donde la interacción dinámica entre la tecnología de observación de vanguardia y las herramientas analíticas basadas en datos prometen marcar el comienzo de una nueva era de descubrimientos y revelaciones. En esta charla, presentaré una visión general del estado del campo, y algunos resultados obtenidos por nuestro equipo utilizando herramientas de aprendizaje automático para mejorar las capacidades de detección de las técnicas actuales o la operabilidad de distintos instrumentos.

Coloquio: El Fondo de Ondas Gravitacionales de Nanohertz y la población de Agujeros Negros en los centros de las Galaxias

Matías Zaldarriaga
Institute for Advanced Study
Princeton, NJ

En esta charla, discutiré la reciente detección de ondas gravitacionales (OG) de frecuencias en nanohertz por colaboraciones de pulsar timing array (PTA), que se originan principalmente en binarias de agujeros negros supermasivos (SMBHBs). La amplitud detectada del fondo de OG es mayor que las predicciones teóricas basadas en la abundancia actual de agujeros negros supermasivos (SMBHs). Explicaré por qué esta discrepancia no puede resolverse alterando la historia de fusiones de SMBHs. En su lugar, las mediciones actuales sugieren que la población de SMBHs que contribuyen al fondo es mucho mayor de lo que se pensaba anteriormente. Además, exploraré cómo el número discreto de fuentes puntuales que contribuyen al fondo puede causar desviaciones en el espectro observado, proporcionando más información sobre la población de fuentes. 

Cristales (temporales)

Alex Fainstein
Instituto Balseiro y Centro Atómico Bariloche

Se llaman cristales temporales a sistemas de muchas partículas en los que se rompe de manera espontánea la simetría de traslación temporal, en analogía con la ruptura de simetría espacial cuando los átomos se ordenan periódicamente formando un cristal. Su existencia fue propuesta teóricamente hace más de diez años, y luego negada, generando un intenso debate y motivando diversos caminos para su verificación experimental. En esta charla hablaré sobre nuestra reciente observación de cristales temporales “continuos”. Excitando un material con un láser cuya intensidad es constante en el tiempo, observamos millones de electrones y fotones oscilando colectivamente de forma periódica y persistente, sumando además millones de cuantos de sonido que terminan controlando el ritmo de todas las oscilaciones. En el camino, hablaré sobre el orden cristalino y sus implicancias, el concepto de cuasi-partículas en materia condensada, los sistemas fuera del equilibrio, la sincronización y las bifurcaciones. Y, además, sobre las ambigüedades y certezas en ciencia.

Inteligencia artificial para construir computadoras cuánticas

Natalia Ares
University of Oxford

Machine learning, la tecnología detrás de hazañas como ChatGPT, la victoria de AlphaGo sobre un campeón mundial de Go y la capacidad de reconocer rostros con precisión superior a la humana, ahora está causando una verdadera revolución en la ciencia de materiales y dispositivos cuánticos.
En esta charla voy a explicar cómo estamos utilizando machine learning para estudiar chips semiconductores a escalas nanométricas; dispositivos con los que esperamos fabricar una nueva generación de computadoras, que llamamos cuánticas.
Al igual que un jugador de Go o ajedrez que consigue balancear estrategias de corto y largo plazo, nuestros algoritmos pueden tomar decisiones inteligentes. Estas decisiones le permiten extraer la mayor cantidad de información sobre los dispositivos y usarla para encontrar rápidamente los efectos cuánticos que buscamos. Voy a mostrar cómo estos avances están abriendo puertas en el mundo de la ciencia, haciendo que tareas complejas sean más fáciles y precisas que nunca.