Fuentes luminosas: la UNAM las distingue mil veces más rápido con IA

Por Alejandra Lugo

Un láser, la luz del Sol y el reflejo de un objeto pueden verse iguales, pero no lo son: un equipo de la UNAM desarrolló un método con redes neuronales que distingue fuentes luminosas por el comportamiento de sus fotones hasta mil veces más rápido que los procedimientos estadísticos convencionales, según la Gaceta UNAM.

La curiosidad tiene fondo científico. Los fotones que forman cada tipo de luz siguen patrones estadísticos distintos: en algunas fuentes tienden a llegar agrupados, un fenómeno conocido en inglés como photon bunching. Leer esa «firma» permite saber de dónde viene una señal y aprovecharla en tecnologías de imagen y detección.

El estudio se publicó en la revista Applied Physics Reviews con el título Rapid photon bunching characterization via photon-number-resolved detection. Participaron el Instituto de Ciencias Nucleares (ICN), el Centro de Ciencias de la Complejidad y el Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, de acuerdo con la nota universitaria firmada por Verenise Sánchez.

Por qué no todas las fuentes luminosas son iguales

El reto nació de un trabajo previo del mismo grupo. En 2022, mediante el análisis estadístico de los fotones, demostraron que era posible superar el llamado límite de difracción y distinguir objetos que una cámara convencional registraría como un solo punto de luz. El problema era el tiempo: analizar un solo píxel podía tomar alrededor de un segundo.

Llevado a una imagen de 100 por 100 píxeles, eso significaba cerca de tres horas de procesamiento, explica la Gaceta UNAM. Con esa lentitud era imposible observar objetos en movimiento, una limitación seria para cualquier aplicación práctica fuera del laboratorio.

La nueva red neuronal ataca ese cuello de botella. Mientras métodos clásicos como la máxima verosimilitud requerían alrededor de un segundo para alcanzar una precisión adecuada, la red hizo la estimación en aproximadamente 5 milisegundos, con la posibilidad de reducir todavía más ese tiempo, según el reporte universitario.

Más de 4 mil pruebas y una idea que viene de lejos

Para poner a prueba el método, el equipo generó y analizó más de 4 mil fuentes de luz con características estadísticas distintas: coherentes, como un láser; parcialmente coherentes; térmicas, como la de un foco incandescente o el Sol, y supertérmicas. La red mantuvo una precisión comparable o incluso superior en tiempos de medición muy cortos.

El resultado también funcionó en condiciones de muy baja intensidad, cuando las diferencias entre tipos de luz se vuelven extremadamente difíciles de distinguir con otras metodologías. Ese es justamente el escenario en el que trabajan muchos sensores: poca luz y necesidad de decidir rápido.

La idea de enseñar a una máquina a reconocer la luz tampoco es nueva en la UNAM. En mayo de 2020, AIP Publishing difundió un trabajo en la misma revista, con participación de la UNAM, la Universidad Estatal de Luisiana y el Instituto Max Born, en el que una sola neurona artificial redujo de millones a menos de cien las mediciones necesarias para identificar una fuente de luz. Entre los autores de aquel artículo figuraba Roberto de J. León Montiel, quien entonces explicó que reducir mediciones permitiría, por ejemplo, exponer menos a la luz muestras delicadas en microscopía.

En el trabajo actual participaron Luis Amilli Zárate, alumno de maestría; Sarahí Vázquez, estudiante de licenciatura, y Samuel Corona, alumno de doctorado, todos del ICN, junto con Alejandro Frank, Pablo Barberis, Alfred U’Ren, Roberto León y el investigador posdoctoral Jorge Alberto Peralta.

Para qué podría servir: de cámaras a telescopios

Entre las posibles aplicaciones, la Gaceta UNAM menciona nuevas técnicas de imagen de alta resolución, sistemas LiDAR —detección y medición de distancias con luz— más eficientes y herramientas para detectar y distinguir múltiples fuentes luminosas, con interés potencial incluso para la astronomía. Son líneas abiertas por el resultado, no productos en el mercado.

La conexión con el cielo no es casual: la ciencia mexicana ya usa inteligencia artificial para leer señales débiles del universo, como contamos al explicar la IA que UNAM y UASLP aportan al telescopio Roman y la labor del Gran Telescopio Milimétrico en Sierra Negra. También en física de partículas, la UNAM trabaja con señales esquivas, como muestra su investigación con neutrinos.

La próxima vez que veas un rayo láser y la luz del día, piensa que no son la misma cosa aunque lo parezcan. Medir cómo se agrupan sus fotones permitiría cámaras y sensores más agudos; lo que cambió con este estudio es que ese cálculo pasó de segundos a milisegundos. Falta ver cuándo saldrá del banco óptico a dispositivos de uso cotidiano.