Uno de los objetivos generales del proyecto de doctorado es estudiar el universo a través de ondas gravitacionales (OGs) y utilizar el aprendizaje automático (en inglés machine learning - ML) para detectar características de estas firmas en datos actuales y futuros. Desde la primera detección de OGs (2015) por LIGO-Virgo ha comenzado una nueva era de la astronomía de OGs. Recientemente también ha habido un renovado interés en los agujeros negros primordiales (ANPs), que tienen firmas únicas debido a sus Encuentros Hiperbólicos Cercanos (EHCs), que podrían ser detectados por los detectores actuales y futuros de OGs. Sin embargo, se necesitan modelos precisos para las OGs emitidos por EHCs, ya que la señal se asemeja a otras fuentes de ruido. Por esto necesitamos estudiar cómo los OGs dejan una señal en la red de detectores actuales.

A pesar de las numerosas detecciones de OGs realizadas, todas estas observaciones son para eventos de fusión de agujeros negros (ANs) y estrellas de neutrones (ENs) (o AN-EN) debido a la fuerza y duración de la señal, así como su forma característica. La caracterización de señales diferentes de las de los sistemas binarios es más difícil porque son demasiado débiles para ser medidos con detectores actuales, tales como OGs continuas y estocásticos, o demasiado cortos en duración para ser claramente distinguibles del ruido, como burst (señal típica de los EHC). Sin embargo, es muy probable que estas fuentes de OGs conduzcan a nuevos descubrimientos sobre el Universo.

En este contexto, los algoritmos ML son muy importantes para estudiar la enorme cantidad de datos e intentar reconocer este tipo de señales en el ruido de los detectores. Estos algoritmos se han introducido recientemente en la cosmología, revolucionando el análisis de datos, porque son adecuados para la interpretación de muchos tipos de datos cosmológicos actuales y para tratar de separar la señal del ruido, así como para ayudar en la estimación de parámetros.

Hasta ahora, en mi doctorado, he profundizado en el tema de las OGs, centrándome en modelar la señal de OG de los EHCs entre objetos compactos, y he empezado a estudiar técnicas de ML, profundizando las habilidades técnicas para aplicarlas en futuros trabajos en el contexto de los OGs. El objetivo es seguir explorando los fenómenos de las OGs utilizando técnicas de ML, cuando posible. Actualmente, estoy trabajando en el uso de algoritmos de clasificación de ML en el contexto de las OGs estocásticas.