Aplicación de aprendizaje automático y redes neuronales para clasificar estrellas compactas — estrellas de neutrones, estrellas de quarks y enanas blancas. El artículo desarrolla modelos capaces de distinguir entre diferentes tipos de objetos compactos a partir de sus propiedades observables, con relevancia para el estudio de la materia en condiciones extremas de densidad y temperatura imposibles de replicar en laboratorio.
Introducción
Las estrellas compactas — enanas blancas, estrellas de neutrones y las hipotéticas estrellas de quarks — representan los estados finales de la evolución estelar y constituyen laboratorios únicos para la física de la materia en condiciones extremas. Distinguir entre estos tipos de objetos a partir de observaciones es un desafío fundamental, ya que comparten muchas propiedades superficiales similares.
Desarrollo
Los autores entrenaron múltiples arquitecturas de redes neuronales — incluyendo redes densas totalmente conectadas y redes convolucionales — utilizando datos sintéticos generados a partir de ecuaciones de estado nucleares bien establecidas. Los modelos fueron evaluados con conjuntos de prueba independientes y comparados con métodos de clasificación tradicionales como árboles de decisión y máquinas de vectores de soporte (SVM). El artículo incluye 22 páginas con 12 figuras y 15 tablas de resultados.
Conclusiones
Las redes neuronales desarrolladas alcanzan precisiones de clasificación superiores al 95% para distinguir entre los tres tipos de objetos compactos estudiados, superando a los métodos tradicionales en todos los escenarios evaluados. Esta herramienta tiene aplicaciones directas en el análisis de datos de observatorios de ondas gravitacionales como LIGO/Virgo y en el estudio de pulsares con el telescopio FAST.