Cómo voluntarios y datos de TESS ayudan a buscar agujeros negros ocultos

Buscar un agujero negro no siempre significa observarlo directamente. Black Hole Hunters pide ayuda al público para revisar registros del brillo de las estrellas en busca de una señal indirecta: un objeto oscuro que pasa frente a una estrella compañera puede desviar y amplificar su luz. Para rastrear ese patrón, el proyecto utiliza observaciones del satélite TESS y combina las clasificaciones de voluntarios con simulaciones y herramientas algorítmicas. Encontrar una señal prometedora no basta para confirmar que se trata de un agujero negro; hacen falta análisis posteriores. 1718

La señal que buscan en las estrellas

El proyecto se centra en la lente gravitacional propia en sistemas de estrellas binarias, es decir, pares de estrellas que orbitan una alrededor de la otra. Si el sistema se observa desde una posición adecuada, casi de canto, la gravedad de la compañera oscura puede desviar y amplificar la luz de la estrella visible cuando pasa por delante. A diferencia de un episodio aislado de microlente gravitacional, este aumento de brillo puede repetirse al ritmo de la órbita del sistema. 18

Ese cambio repetido es lo que los investigadores buscan en las curvas de luz: gráficos que muestran cómo varía el brillo de una estrella con el tiempo. El proyecto utiliza ejemplos simulados para enseñar a los voluntarios qué patrones podrían ser relevantes. Su página de preguntas frecuentes advierte que estos sucesos son muy raros y que, en el momento descrito allí, no se había encontrado un ejemplo concluyente de lente propia causada por un agujero negro.

Personas y algoritmos, en equipo

Black Hole Hunters funciona en Zooniverse, una plataforma de ciencia ciudadana en la que cualquier persona puede participar tras completar una guía de formación en línea. El proyecto examina observaciones de TESS y sus investigadores también han hablado de estudiar datos de otros sondeos astronómicos. 1718

Las clasificaciones de los voluntarios no sustituyen el análisis científico: aportan otra forma de revisar grandes conjuntos de datos. En una actualización de abril de 2026, el investigador Adam McMaster señaló que los participantes ya habían enviado 7,6 millones de clasificaciones. Explicó que el equipo combina ese trabajo con simulaciones más sofisticadas para desarrollar algoritmos que filtren las curvas de luz y ayuden a concentrar la búsqueda en los candidatos más prometedores.

El proyecto se lanzó en Zooniverse el 26 de octubre de 2021. En el equipo figuran Adam McMaster, Hugh Dickinson y Matthew Middleton, junto con colaboradores de la Universidad de Southampton, la Open University y el Flatiron Institute. Southampton informó además de una subvención de 2024 que respaldó el trabajo de Middleton y McMaster con Dickinson y la incorporación de voluntarios. 17

Qué enseña —y qué no— Higgs Hunters

Higgs Hunters abordó un problema distinto. Sus voluntarios revisaban imágenes del experimento ATLAS, instalado en el Gran Colisionador de Hadrones, para buscar vértices desplazados: puntos donde las trayectorias de partículas parecen comenzar lejos del lugar principal de la colisión. Podrían ser indicios de partículas que recorren cierta distancia antes de desintegrarse, pero una marca inusual en una imagen no demuestra por sí sola que se haya descubierto una partícula nueva. 10

Un estudio del proyecto evaluó cómo personas sin formación especializada detectaban desintegraciones de partículas de larga vida y otros rasgos atípicos. En el material analizado, la eficiencia de los voluntarios y su tasa de falsos positivos fueron comparables a las de los algoritmos de ATLAS. El estudio también describió casos en que los participantes señalaron sucesos con características inesperadas para que recibieran más atención. 3

La Universidad de Oxford informa que Higgs Hunters llegó a 42.280 participantes de más de 170 países y que estudiantes de secundaria del Reino Unido intervinieron en una etapa posterior de análisis. Esas cifras corresponden a ese proyecto: no deben confundirse con las clasificaciones de Black Hole Hunters ni tomarse como prueba de que los voluntarios superan a los algoritmos en cualquier tarea científica. 4

El papel de la ciencia ciudadana

Ambos proyectos muestran una forma concreta en que el público puede contribuir a la investigación: ayudar a revisar grandes volúmenes de datos y destacar patrones que los científicos pueden estudiar después. Higgs Hunters comparó el desempeño de voluntarios y algoritmos en una tarea específica de análisis de imágenes; Black Hole Hunters combina clasificaciones, simulaciones y filtros algorítmicos para examinar otro tipo de datos astronómicos. En ninguno de los casos una señal candidata equivale a un descubrimiento confirmado sin análisis científico posterior. 318