Estimación de la Densidad de Columna de CO mediante Aprendizaje Automático en Regiones de Formación Estelar

Abstract

La determinación precisa de la distribución de densidades de columna moleculares en nubes interestelares es esencial para caracterizar la estructura química y física de las regiones de formación estelar. Sin embargo, los métodos tradicionales, como aquellos basados en el equilibrio termodinámico local (LTE) o en modelos de transferencia radiativa no-LTE como RADEX, presentan limitaciones asociadas a suposiciones simplificadas o a altos costos computacionales. En este trabajo, exploramos el uso de algoritmos de aprendizaje automático como herramienta alternativa para estimar la densidad de columna del 13CO (J=3–2), a partir de un cubo espectral observacional y su mapa asociado de temperatura de excitación. Utilizamos datos de la región G29.96–0.02 observados con el telescopio James Clerk Maxwell (JCMT) para entrenar y validar dos modelos supervisados: Random Forest y una red neuronal multicapa (MLP). Ambos modelos mostraron correlaciones razonables con las densidades derivadas mediante el método LTE, alcanzando coeficientes de determinación R 2 de 0.67 y 0.51, respectivamente. Si bien se evaluó la incorporación de parámetros físicos derivados como la profundidad óptica y la intensidad integrada, estos no mejoraron el desempeño del modelo. Los resultados sugieren que futuras mejoras podrían requerir la inclusión de información proveniente de otras moléculas o transiciones espectrales. Este estudio representa un primer paso hacia el uso de técnicas de aprendizaje automático para inferir propiedades físicas del medio interestelar de manera eficiente y escalable.