RAVEN, la IA que encontró 118 exoplanetas en los datos de TESS

Una herramienta de inteligencia artificial llamada RAVEN permitió a un equipo de la Universidad de Warwick validar 118 exoplanetas en los datos de TESS, el satélite de la NASA que observa estrellas para detectar cambios en su brillo. Entre ellos hay 31 planetas que no se habían identificado antes. El análisis, publicado el 25 de marzo de 2026 en Monthly Notices of the Royal Astronomical Society, revisó observaciones de más de 2,2 millones de estrellas recogidas durante los cuatro primeros años de la misión y señaló, además, más de 2.000 candidatos de alta calidad, cerca de 1.000 de ellos nuevos.

La inteligencia artificial no fotografió mundos ni encontró planetas por intuición: clasificó señales débiles y ayudó a comprobar cuáles encajaban con un tránsito planetario. La diferencia es importante porque una pequeña caída de luz puede deberse a un planeta, pero también a estrellas que se eclipsan entre sí, variaciones propias de la estrella o ruido instrumental. RAVEN automatiza buena parte de ese trabajo y aplica criterios comunes a una cantidad de datos que sería difícil revisar de forma manual con la misma uniformidad.

El reto de distinguir un planeta de una falsa señal

TESS busca planetas mediante el método del tránsito. Cuando un cuerpo cruza por delante de su estrella desde la perspectiva del telescopio, bloquea una fracción diminuta de su luz y provoca un descenso en el brillo. Si el fenómeno vuelve a repetirse de manera regular, puede ser una pista de que un planeta está orbitando esa estrella. Pero la curva de luz —el registro de cómo cambia el brillo con el tiempo— no siempre ofrece una respuesta inequívoca: un eclipse estelar puede dibujar una sombra parecida a la de un planeta.

También pueden interferir la actividad de la estrella, la luz de otros objetos cercanos en la imagen y las limitaciones de las observaciones. Por eso, localizar un descenso de brillo solo genera una señal candidata; no basta para afirmar que se ha encontrado un mundo. La astronomía debe comparar explicaciones posibles y valorar si los datos favorecen realmente una órbita planetaria. A escala de millones de estrellas, esa tarea deja de ser una revisión puntual y se convierte en un problema de selección y análisis masivo.

Ese volumen explica por qué el archivo de TESS aún puede producir hallazgos mucho después de que se hayan tomado las observaciones. Los planetas no estaban escondidos en una imagen, sino mezclados con señales ambiguas en los registros de brillo. Una nueva metodología puede volver a examinar esos datos con más consistencia, rescatar casos pasados por alto y, a la vez, descartar explicaciones que se parecían a un tránsito.

Cómo trabaja RAVEN con los datos de TESS

RAVEN integra distintas fases de análisis, desde la detección de señales hasta su clasificación y validación estadística. En vez de limitarse a señalar una posible caída de luz, intenta recorrer el proceso completo con un flujo automatizado. Esa integración es relevante porque algunas herramientas se concentran en encontrar señales y otras en examinar candidatos ya detectados; conectar los pasos permite tratar de forma más homogénea las observaciones de una muestra extensa.

El sistema se entrenó con cientos de miles de simulaciones realistas. El conjunto incluía tránsitos planetarios y otros fenómenos astrofísicos capaces de imitarlos, como los eclipses de estrellas binarias. A partir de esos ejemplos, los modelos de aprendizaje automático aprenden patrones que ayudan a separar unas señales de otras. No es una máquina que adivina qué hay en el espacio: compara las características de cada señal con comportamientos conocidos y simulados, y estima qué explicación resulta más compatible.

La fase estadística añade una comprobación crucial. En lugar de interpretar cada caso con un juicio aislado, el proceso aplica criterios de forma sistemática y permite estimar la confianza de los resultados. Eso no elimina los límites de los datos ni convierte cada clasificación en una observación directa, pero sí ayuda a reducir la arbitrariedad en el cribado. La ventaja de la IA, en este contexto, está menos en una supuesta autonomía que en poder aplicar el mismo método a millones de registros sin fatiga.

Una muestra amplia, no una selección de casos llamativos

El equipo analizó más de 2,2 millones de estrellas observadas durante los primeros cuatro años de TESS. Trabajó con imágenes de campo completo de la misión y combinó esos datos con información de Gaia para caracterizar mejor las estrellas y seleccionar una población de estrellas de secuencia principal. Son astros que, como el Sol, se encuentran en una etapa estable de su evolución, una elección que ayuda a comparar sistemas con propiedades estelares más homogéneas.

El estudio se centró en planetas de periodo corto, con órbitas que completan una vuelta en entre 0,5 y 16 días. Esa elección responde tanto al objetivo científico como a las posibilidades del método: los planetas próximos a sus estrellas pueden producir tránsitos repetidos en un intervalo de observación relativamente breve. En cambio, un planeta que tarda mucho más en completar una órbita puede transitar pocas veces durante el periodo observado y resultar más difícil de identificar con seguridad.

El resultado combina descubrimientos y una nueva clasificación de señales. RAVEN validó 118 planetas, incluidos 31 que no se habían identificado previamente, y dejó más de 2.000 candidatos de alta calidad para análisis posteriores. Casi 1.000 de esos candidatos serían nuevos. Validar 118 mundos y ordenar miles de señales pendientes son resultados distintos: los primeros cuentan con respaldo estadístico suficiente para incorporarse como planetas validados; los segundos son objetivos prometedores que aún pueden requerir seguimiento o comprobaciones adicionales.

Validar no significa fotografiar ni confirmar todos los detalles

En la investigación de exoplanetas, detectar, validar y confirmar no son términos intercambiables. Detectar significa encontrar una señal compatible con un posible planeta. La validación estadística consiste en evaluar si las explicaciones alternativas —por ejemplo, un sistema estelar eclipsante— son mucho menos probables que la hipótesis planetaria. Un planeta validado es una inferencia robusta basada en los datos disponibles, no una imagen directa de su superficie ni una descripción completa de su composición.

La confirmación por otros métodos puede aportar información distinta, como la masa del planeta o detalles más precisos de su órbita. No siempre hace falta el mismo tipo de observación para cada caso, y algunos objetos resultan más sencillos de estudiar que otros. La validación permite incorporar planetas a catálogos con criterios estadísticos sólidos sin exigir que todos pasen primero por idénticas campañas de observación adicional, algo especialmente útil cuando hay una gran cantidad de señales que analizar.

Ese matiz también ayuda a entender por qué los más de 2.000 candidatos no deben presentarse como planetas ya descubiertos. Son señales consideradas de alta calidad, pero todavía no equivalen al conjunto de 118 mundos validados. El catálogo conserva distintos grados de certeza, una separación esencial para que otros grupos puedan decidir qué sistemas observar y para evitar que una cifra de candidatos se confunda con un recuento definitivo de planetas.

Los mundos cercanos que aparecen en el catálogo

La muestra incluye poblaciones que interesan por razones diferentes. Entre ellas hay planetas de periodo ultracorto, que completan una órbita en menos de 24 horas; sistemas con varios planetas en órbitas cercanas, incluidos pares que no se conocían antes; y mundos situados en el llamado desierto neptuniano. El valor del catálogo no depende de que todos estos planetas se parezcan a la Tierra: la variedad permite estudiar cómo se forman y evolucionan sistemas muy distintos.

Los planetas de periodo ultracorto orbitan extremadamente cerca de sus estrellas. Ese entorno puede someterlos a una radiación intensa y a condiciones físicas muy distintas de las que experimenta la Tierra. No son, por tanto, candidatos que deban confundirse con mundos habitables por el mero hecho de ser nuevos. Su interés reside en que permiten estudiar procesos como la evolución de las órbitas y la pérdida de material o de atmósfera bajo la influencia de una estrella cercana.

Los sistemas multiplanetarios ofrecen otra clase de información. Cuando más de un planeta transita la misma estrella, los investigadores pueden comparar sus tamaños y periodos orbitales y reconstruir mejor la arquitectura del sistema. Con observaciones complementarias, también se pueden investigar otras propiedades. Cada pareja de planetas recién identificada añade una pieza a esa historia: los sistemas compactos ayudan a explorar cómo se organizan varios mundos alrededor de una misma estrella y qué procesos pudieron llevarlos hasta sus órbitas actuales.

Qué revela el desierto neptuniano

El desierto neptuniano es una región del mapa de exoplanetas en la que los cuerpos de tamaño parecido a Neptuno son poco frecuentes cuando orbitan muy cerca de su estrella. El término describe una ausencia relativa, no un espacio completamente vacío. Al disponer de una muestra amplia y tratada de manera uniforme, el equipo pudo estudiar con más precisión cuán rara es esa población. El análisis estima que estos planetas aparecen alrededor de apenas el 0,08% de las estrellas similares al Sol.

La escasez plantea preguntas sobre la historia de esos mundos. Puede estar relacionada con las condiciones en las que se forman, con cambios en sus órbitas o con la pérdida de sus envolturas gaseosas bajo la radiación estelar. Los datos de este estudio no resuelven por sí solos cuál de esos procesos explica la distribución. Sí ofrecen una medición más firme con la que contrastar modelos y averiguar por qué algunas combinaciones de tamaño y distancia son mucho menos comunes que otras.

La utilidad de una cifra como esta va más allá de describir una rareza. Si una población resulta poco frecuente, los investigadores pueden comprobar si la ausencia observada responde a un proceso físico o a las limitaciones de los instrumentos y de los métodos de búsqueda. Corregir los sesgos de detección es indispensable, porque los planetas grandes y cercanos suelen dejar señales más fáciles de reconocer que los pequeños o lejanos. Sin tener en cuenta esa diferencia, un catálogo podría reflejar qué detecta mejor el telescopio, en vez de mostrar con fidelidad qué planetas existen.

Un censo más preciso de planetas de órbita corta

El análisis demográfico asociado al trabajo estudió la frecuencia de planetas de entre 2 y 20 radios terrestres con periodos de 0,5 a 16 días alrededor de estrellas de secuencia principal de tipo FGK. Para esa población, estimó que el 9,4% de las estrellas alberga al menos un planeta de esas características. En una submuestra limitada por volumen, que abarca hasta 100 pársecs, la estimación asciende al 15,4%. Son medidas para conjuntos definidos, no porcentajes que puedan aplicarse sin matices a todas las estrellas de la galaxia.

Dentro de ese grupo, la frecuencia estimada de los Júpiteres calientes es del 0,39%. Estos planetas, de gran tamaño y órbita muy próxima a su estrella, son mucho menos comunes que el conjunto más amplio de mundos estudiados. La diferencia entre porcentajes muestra por qué importa especificar el tamaño y el periodo orbital al hablar de frecuencia: no existe una única tasa de aparición de exoplanetas, sino estimaciones que dependen de qué población se cuenta y de qué estrellas forman la muestra.

El estudio también informa de una estimación más precisa para la rareza neptuniana alrededor de estrellas similares al Sol. La clave para que estas cifras sean útiles no es solo que haya más objetos en una lista, sino que se conozcan mejor las probabilidades de detectar unos tipos de planeta frente a otros. Así, el catálogo puede servir para estudiar poblaciones y no únicamente para acumular hallazgos individuales. Esa diferencia convierte el análisis de TESS en una herramienta para plantear preguntas sobre la formación y evolución de sistemas planetarios.

Lo que los datos no permiten afirmar

Los 118 planetas validados no equivalen a 118 nuevas Tierras ni a una colección de mundos con condiciones parecidas a las terrestres. La búsqueda se limitó a órbitas cortas, y varios de los objetos de interés están muy cerca de sus estrellas. Ese contexto importa para interpretar la noticia sin exagerarla: el resultado mejora el conocimiento sobre planetas cercanos, pero no demuestra que sean habitables ni aporta por sí mismo pruebas de vida fuera del sistema solar.

Tampoco implica que la inteligencia artificial haya sustituido la revisión científica. Los modelos dependen de la calidad de las observaciones, de las simulaciones usadas para entrenarlos y de las decisiones metodológicas que fijan los investigadores. Si una señal no está bien representada en los datos o se parece a fenómenos que el sistema no ha aprendido a distinguir, la clasificación puede ser menos concluyente. Por eso, la automatización se entiende mejor como una forma de ampliar y uniformar el análisis que como un árbitro infalible.

El procedimiento, además, no elimina la necesidad de seguimiento. Algunos candidatos de la muestra presentan solo uno o dos tránsitos, y otros tienen radios superiores a ocho radios terrestres; características que pueden hacerlos especialmente interesantes para observaciones posteriores. La prioridad científica dependerá de qué información falte en cada sistema: nuevas medidas pueden ayudar a precisar su órbita, su tamaño o su naturaleza, mientras que no todos los casos requieren exactamente la misma estrategia observacional.

Un archivo que todavía puede cambiar el mapa

TESS fue lanzado el 18 de abril de 2018 y continúa su misión extendida. Su estrategia de observación le permite examinar una amplia porción del cielo, con especial atención a estrellas relativamente cercanas y brillantes. Kepler, por su parte, observó una región más acotada con gran profundidad. La comparación entre ambas misiones no consiste en declarar un ganador: sus diseños permiten responder preguntas distintas, y los nuevos análisis de TESS muestran que sus datos siguen siendo valiosos para medir poblaciones planetarias.

Los archivos científicos no se agotan cuando termina una observación. Nuevos métodos pueden encontrar relaciones que no eran evidentes al principio, revisar candidatos con criterios mejorados y medir con más rigor los límites de detección. En este caso, RAVEN aplica un mismo marco a una muestra de millones de estrellas, lo que ayuda a comparar sistemas y a reducir diferencias derivadas de revisiones realizadas en momentos distintos. El avance se apoya tanto en los datos de TESS como en la posibilidad de releerlos de una manera más sistemática.

Los catálogos y herramientas interactivas asociados al trabajo están pensados para que otros equipos puedan explorar los resultados y seleccionar objetivos de seguimiento. Observatorios terrestres y misiones futuras, como PLATO, podrán beneficiarse de una lista de sistemas mejor caracterizados. El telescopio espacial James Webb también puede estudiar algunos exoplanetas, aunque cada observación depende de las propiedades del objetivo y de la pregunta científica concreta. Un catálogo fiable ayuda a orientar ese tiempo limitado hacia sistemas que ofrecen información valiosa.

De millones de curvas de luz a preguntas nuevas

El resultado de RAVEN representa un cambio de escala en el análisis, no una alteración repentina del universo conocido. Los planetas ya estaban en los datos de TESS, pero distinguirlos entre señales parecidas requería métodos capaces de trabajar con enormes volúmenes de observaciones. La herramienta permitió revisar más de 2,2 millones de estrellas, validar 118 planetas y separar miles de candidatos que merecen atención adicional. El avance central consiste en convertir un archivo difícil de manejar en una muestra más coherente.

Ese orden tiene consecuencias científicas. Con una selección más homogénea, los investigadores pueden estimar mejor cuántos planetas cercanos aparecen alrededor de estrellas parecidas al Sol, explorar la escasez de mundos del tamaño de Neptuno en órbitas cortas y comparar sistemas compactos. Las estimaciones no cierran el debate sobre cómo se forman esos planetas ni eliminan todas las limitaciones observacionales, pero ofrecen una base más sólida para poner a prueba las explicaciones disponibles.

La inteligencia artificial aporta velocidad y consistencia; la interpretación sigue dependiendo de la astronomía, de la estadística y de nuevas observaciones cuando hacen falta. RAVEN no sustituye el trabajo de los telescopios: ayuda a decidir qué señales merecen una mirada más detallada y qué conclusiones pueden sostenerse con los datos existentes. En esa colaboración entre archivo, algoritmo y verificación científica está la verdadera importancia del hallazgo: no que el cosmos haya ganado de pronto nuevos mundos, sino que ahora se puede leer con más precisión una parte de los que ya había registrado TESS.