Proyectos

Las explosiones de novas son un punto de unión entre la astrofísica estelar, la física nuclear y la síntesis de elementos químicos, sirviendo como laboratorios para investigar diferentes procesos físicos como la transferencia de masa en binarias o  la nucleosíntesis explosiva. Las novas son eventos muy luminosos que ocurren en sistemas binarios interactuantes en el cual, una enana blanca acumula en su superficie material acretado de su compañera. RS Oph  es  un  sistema  binario  simbiótico,  cuyos  estallidos  tienen  una  recurrencia  de aproximadamente 15 años. Sin embargo, a pesar de ser un sistema muy estudiado todavía faltan piezas para entenderlo totalmente, como lo es la órbita de sus dos componentes.  El objetivo de este trabajo es determinar velocidades radiales de las dos componentes a partir de espectros de muy alta resolución para parametrizar la órbita del sistema y acotar las masas de las dos componentes.

Este proyecto consiste en utilizar imágenes de archivo de acceso público de DECam en el telescopio Blanco 4m en Chile para encontrar rayas de satélites, medir su brillo, y (cuando sea posible) identificar la fuente de cada raya. Esperamos que muchas de las rayas procedan de satélites Starlink. Por lo tanto, el estudiante contribuirá significativamente a un nuevo documento sobre cómo la población de satélites Starlink ha cambiado con el tiempo entre 2019 y 2025. Las rayas que no son satélites Starlink también son interesantes, y todos los brillos medidos para los objetos del catálogo público de satélites se cargarán en el Satellite Constellation Observation Repository (SCORE). El proyecto ayudará a cuantificar los impactos de las constelaciones de satélites en la astronomía, lo cual es necesario para mitigar eficazmente dichos impactos. El estudiante deberá solicitar su ingreso en SatHub (es gratis sin pre-requisitos, ver cps.iau.org), y utilizar y potencialmente contribuir a las herramientas de software de SatHub, incluido SatChecker (satchecker.readthedocs.io) y SCORE (score.cps.iau.org).
En los últimos cinco años, la Tierra ha entrado en una nueva era en el espacio orbital. Solo SpaceX ha lanzado casi 8.000 satélites desde 2019, y múltiples empresas han propuesto un total superior a 1.000.000 de satélites en un futuro próximo. Los satélites en órbita terrestre baja se mueven rápidamente por el cielo y reflejan la luz solar, lo que puede causar líneas brillantes o rayas en las imágenes de los telescopios. Los observadores del cielo de todo el mundo se encuentran ahora compartiendo un espacio cada vez más concurrido en todo el espectro electromagnético. Para hacer frente a este desafío, el International Astronomical Union Centre for the Protection of the Dark and Quiet Sky from Satellite Constellation Interference (IAU CPS), y en particular SatHub, reúne a expertos y partes interesadas para cuantificar los impactos en la astronomía y desarrollar estrategias para mitigarlos. Más información en cps.iau.org.

En este proyecto, explorarás la intersección entre la cosmología y el aprendizaje automático. Te centrarás principalmente en el desarrollo de un modelo más preciso de la Point Spread Function (PSF). La PSF describe cómo una fuente puntual, como una estrella, aparece en una imagen después de que su luz atraviese la atmósfera terrestre y la óptica del telescopio. Esencialmente, muestra la imagen final «borrosa» de una fuente puntual, actuando como una huella dactilar de todo el sistema de imagen. La PSF es un factor crítico a la hora de medir la cizalladura cósmica, la sutil distorsión de las formas de las galaxias debida a los efectos gravitatorios, que es una forma de sondear la historia de la expansión del Universo y el crecimiento de la estructura.
En la actualidad, los modelos de PSF se construyen utilizando datos de una sola imagen/Charge-coupled device (CCD). Sin embargo, los telescopios modernos de gran campo están formados por múltiples CCD, lo que significa que el modelado de la PSF en un único CCD a menudo pierde información importante disponible en todo el campo de visión (FoV) de un telescopio. El proyecto abordará esta limitación mediante el uso de técnicas de aprendizaje profundo, en concreto, un tipo de red neuronal llamada Variational Autoencoder (VAE). Un VAE es una herramienta que aprende los patrones subyacentes en los datos, lo que le permite capturar estructuras complejas como la PSF. Aunque la experiencia previa en álgebra lineal, aprendizaje automático, Python o Linux es beneficiosa, no es necesaria.
 

Qué harás:
- Aprender sobre PSF, cizalladura cósmica, cosmología y aprendizaje profundo.
- Trabajar con conjuntos de datos precursores (por ejemplo, datos del telescopio Subaru) como prueba de concepto.
- Aprender y aplicar conceptos fundamentales de álgebra lineal y aprendizaje automático en el contexto de los datos astrofísicos.
- Desarrollar, entrenar y evaluar un modelo VAE para lograr una representación PSF más precisa y global.
- Adquirir experiencia en programación Python, entorno Linux y librerías de aprendizaje profundo como PyTorch.

Los exoplanetas jóvenes (< 1 Gyr) nos ofrecen instantáneas de la evolución planetaria temprana que pueden ayudar a comprender el vínculo entre la formación del planeta y la población observada de planetas viejos. Por lo tanto, es crucial realizar un seguimiento de sus efemérides para tomar decisiones informadas sobre los esfuerzos de seguimiento, como las campañas de velocidad radial para medir las masas planetarias o la espectroscopia de transmisión para estudiar sus atmósferas. K2-233 es una estrella joven (~360 Myr) que fue observada por la misión K2 de la NASA allá por 2017. Estos datos desvelaron la presencia de tres planetas en tránsito con periodos de 2,5, 7,1 y 24,4 días. A pesar de la importancia de este sistema, los tránsitos planetarios no han sido observados desde 2017. Siete años después, el Transit Exoplanet Satellite Survey (TESS) de la NASA volverá a observar la estrella durante 30 días en su Sector 91 (abril de 2025).  El objetivo de este proyecto es analizar los nuevos datos de TESS y proporcionar parámetros y radios orbitales planetarios mejorados. El estudiante aprenderá el método de tránsito para detectar exoplanetas, técnicas de trending para separar señales estelares y planetarias, y estimación de parámetros mediante Markov chain Monte Carlo.

El entorno a gran escala es uno de los principales factores externos que influyen en la evolución de las galaxias, mientras que el núcleo galáctico activo (AGN) es un motor interno clave. Ambos desempeñan un papel fundamental en la regulación de la formación estelar y evolución química de las galaxias. La metalicidad es un indicador crucial de estos procesos, ya que refleja el enriquecimiento químico y las dinámicas que han moldeado una galaxia. Estudios previos han vinculado la metalicidad con la acreción de gas, los vientos estelares, los AGN, las explosiones de supernova, la masa estelar, la tasa de formación estelar y la fracción de gas. A su vez, muchos de estos factores dependen del entorno cósmico.
La relación masa-metalicidad (MZR), muestra una correlación positiva entre la masa estelar y la metalicidad. Sin embargo, para una masa dada, la dispersión en metalicidad sugiere la influencia de otros procesos.
Este proyecto investigará cómo el ambiente afecta la MZR en galaxias con AGN. Se medirán líneas de emisión en espectros ópticos en una muestra de AGNs situados en filamentos cósmicos, analizando la evolución de la metalicidad con la distancia radial al filamento teniendo en cuenta la masa estelar. Nuestro objetivo es comprender cuándo y dónde ocurre el enriquecimiento químico en la estructura a gran escala del universo.

Este proyecto busca identificar firmas espectrales clave para la caracterización química de hielos presentes en distintos objetos astrofísicos, empleando espectros públicos del Telescopio Espacial James Webb (JWST). Los datos observacionales se compararán con espectros de laboratorio para seleccionar aquellos candidatos más adecuados que describan el comportamiento de las señales espectrales. Se requieren conocimientos mínimos de espectroscopía y preferiblemente experiencia en Python.

En este proyecto exploraremos la potencialidad de las redes neuronales, específicamente con un algoritmo de Deep Learning (DL), para estimar parámetros cosmológicos de una serie de simulaciones numéricas basadas en el modelo estándar de la cosmología ΛCDM. Para entrenar el algoritmo, se tomarán diferentes configuraciones hidrodinámicas del proyecto CAMELS, que incluyen tanto los efectos de la gravedad, bariones y diferentes procesos astrofísicos (por ejemplo, feedback de supernovas y AGN).
Nuestro objetivo principal es optimizar el algoritmo de DL para encontrar 6 parámetros libres usados para construir estas simulaciones, enfocándonos en ciertos campos con
propiedades físicas. Contamos con múltiples modelos cosmológicos con 1000 realizaciones (o
cubos LH), cada una de ellas con variaciones astrofísicas y cosmológicas, que cambian la distribución de materia a gran escala, y por tanto, generan diferentes patrones que serán captados por el algoritmo durante su entrenamiento. Además, el proyecto nos permitirá probar como los modelos físicos expresados en las simulaciones cambian con el redshift y contribuyen a dar forma a nuestro universo actual.

Las galaxias de disco son las principales formadoras de estrellas en el Universo actual, y hoy día podemos ya simularlas con un buen nivel de complejidad. Sin embargo, no se tiene del todo entendido qué ingredientes físicos regulan la tasa a la cual las galaxias forman estrellas, ya que existen muchos factores que pueden influir: el nivel de rotación de la galaxia, la cantidad de masa total, la cantidad de masa bariónica, la cantidad de masa en gas en el disco, posibles interacciones con otras galaxias, la forma de las nubes,la metalicidad de las galaxias, los parámetros del halo de materia oscura, la orientación relativa entre la materia oscura y la materia bariónica, etc. En este proyecto queremos similar una gran variedad de galaxias, barriendo todos estos parámetros, y buscar las posibles dependencias de la tasa de formación estelar con estos parámetros. Para ello simularemos galaxias, tanto aisladas, en situaciones idealizadas, como galaxias provenientes de simulaciones cosmológicas, pero aumentando la resolución. El proyecto permitirá aprender a inicializar, correr, visualizar y analizar simulaciones numéricas hechas con supercomputadoras en México a las cuales tenemos acceso.