“El Universo siempre ha hablado a través de la luz; hoy, la inteligencia humana y la inteligencia artificial comienzan a aprender a escuchar sus millones de historias. Porque detrás de cada dato puede esconderse un descubrimiento, y detrás de cada anomalía, una nueva frontera del conocimiento.”

La astronomía en la era de los datos: cuando la inteligencia artificial aprende a leer el cielo

Introducción

Durante miles de años, mirar al cielo significó contemplar. Las antiguas civilizaciones observaron las estrellas para orientarse, medir el tiempo, construir calendarios y tratar de comprender nuestro lugar en el Universo.

Durante siglos, la astronomía avanzó principalmente gracias a la capacidad humana de observar, registrar y comparar.

Hoy, sin embargo, estamos entrando en una nueva etapa.

El desafío ya no consiste únicamente en observar el cielo, sino en aprender a interpretar una cantidad de información que supera ampliamente la capacidad humana de análisis directo.

La astronomía moderna está comenzando a convertirse, también, en una ciencia de grandes volúmenes de datos, donde telescopios, computadoras, inteligencia artificial y métodos de aprendizaje automático trabajan conjuntamente para descubrir fenómenos que, de otro modo, podrían permanecer ocultos.

Uno de los ejemplos más fascinantes de esta transformación se encuentra en el estudio de los objetos variables, es decir, aquellos cuya luminosidad cambia con el tiempo. Cada cambio de brillo puede contener una historia: puede revelar una estrella que pulsa, un sistema estelar que interactúa, la presencia de un agujero negro o incluso la explosión de una estrella en forma de supernova.

El problema es extraordinariamente grande. Se estima que un proyecto de observación astronómica de nueva generación podrá detectar cerca de diez millones de objetos variables en una sola noche.

Si el cielo completo se observa aproximadamente cada tres noches durante diez años, la cantidad de información generada será tan enorme que su análisis requerirá necesariamente herramientas computacionales avanzadas, incluidos métodos de inteligencia artificial.

La pregunta, entonces, deja de ser únicamente ¿qué hay en el cielo? y comienza a convertirse en otra mucho más profunda: ¿Cómo podemos enseñar a una máquina a reconocer las historias que las estrellas cuentan a través de su luz?

1. El cielo no es estático

Para una persona que observa una noche despejada, las estrellas parecen puntos inmóviles y permanentes.

Sin embargo, esta apariencia es engañosa.

El Universo es extraordinariamente dinámico.

Hay estrellas que aumentan y disminuyen periódicamente su brillo. Existen sistemas en los que dos estrellas orbitan una alrededor de otra y, desde nuestra perspectiva, una pasa delante de la otra, provocando una disminución temporal de la luminosidad. Hay estrellas que explotan violentamente. También existen fenómenos extremadamente energéticos asociados con objetos compactos, como las estrellas de neutrones y los agujeros negros.

En otras palabras, el cielo tiene una película que se desarrolla continuamente, aunque nuestros ojos sólo perciban algunas fotografías aisladas.

Esta idea permite comprender la importancia de las llamadas series de tiempo astronómicas. Una serie de tiempo no es más que un registro de cómo cambia una determinada propiedad a lo largo del tiempo. En astronomía, una de las más importantes es la luminosidad.

Imaginemos que durante varias noches medimos el brillo de una estrella. La primera noche parece relativamente brillante; después disminuye; posteriormente vuelve a aumentar y, finalmente, repite el comportamiento.

Si representamos esos cambios en una gráfica, obtenemos una curva de luz.

La curva de luz es, en cierto sentido, la firma temporal del objeto.

2. Una estrella puede contar su historia mediante la luz

Para comprenderlo sin necesidad de conocimientos especializados, podemos imaginar una persona que escucha una melodía.

No necesita conocer físicamente cómo funciona un instrumento para reconocer que una canción tiene un ritmo determinado. Puede identificar una repetición, un cambio de frecuencia o una pausa simplemente observando cómo evoluciona el sonido.

Algo semejante ocurre con las curvas de luz.

Una estrella pulsante puede presentar variaciones relativamente periódicas. Un sistema binario puede producir disminuciones de brillo que se repiten cuando una estrella pasa delante de otra. Una explosión estelar puede producir un aumento extraordinario de luminosidad seguido por una evolución característica.

Por ello, los astrónomos pueden estudiar la forma de una curva de luz para inferir qué tipo de fenómeno podría estar ocurriendo.

La luz, en este sentido, funciona como un mensaje enviado desde el Universo.

Y ese mensaje puede haber viajado durante cientos, miles o incluso millones de años antes de llegar hasta nuestros instrumentos.

3. De la observación individual al océano de datos

Durante buena parte de la historia de la astronomía, estudiar un objeto significaba dedicar una cantidad considerable de tiempo a observarlo.

Un astrónomo podía seleccionar una estrella, realizar observaciones, registrar sus características y posteriormente analizar los resultados.

Ese procedimiento continúa siendo valioso, pero resulta insuficiente cuando se pretende estudiar millones de objetos simultáneamente.

Imaginemos una biblioteca que contenga diez millones de libros nuevos cada noche. Aunque un lector fuera capaz de leer un libro por día, jamás podría revisar todo el material generado.

Algo similar ocurre con el cielo moderno.

El problema no es que falten datos. El problema es que tenemos demasiados.

Esta situación representa uno de los cambios más importantes de la astronomía contemporánea.

Los grandes sondeos astronómicos permiten observar regiones enormes del cielo y repetir esas observaciones a lo largo del tiempo. El resultado es una cantidad de información extraordinaria: imágenes, mediciones de brillo, posiciones, movimientos y otros parámetros.

El telescopio se ha convertido, por tanto, en algo más que un instrumento óptico.

Se ha convertido en una fuente gigantesca de datos científicos.

4. La astronomía del dominio temporal

Este nuevo escenario ha dado enorme importancia a la denominada astronomía del dominio temporal.

La idea es sencilla: no basta con conocer dónde está un objeto; también necesitamos saber cómo cambia.

Podemos establecer una analogía con la medicina.

Si un médico registra una sola vez la temperatura de un paciente, obtiene una información limitada.

Pero si registra la temperatura cada cierto tiempo, puede observar una tendencia: si aumenta, disminuye, fluctúa o permanece estable.

La información temporal puede revelar aquello que una medición aislada no muestra.

En astronomía ocurre exactamente lo mismo.

Una fotografía del cielo puede mostrarnos dónde se encuentra una estrella. Una secuencia de observaciones puede revelarnos que esa estrella cambia de brillo, que forma parte de un sistema binario o que está atravesando un acontecimiento extraordinario.

Por eso, observar el Universo repetidamente permite pasar de una astronomía de imágenes a una astronomía de historias.

5. El papel de OGLE: aprender con curvas de luz

Uno de los caminos para acercarse a estos problemas consiste en utilizar información proveniente de proyectos astronómicos que ya han producido grandes colecciones de observaciones.

En una modalidad básica del Hackathon propuesto, los participantes trabajarían con curvas de luz provenientes del proyecto OGLE.

La importancia de comenzar con este tipo de datos radica en que permite comprender los fundamentos del problema sin enfrentarse inmediatamente a volúmenes extremos de información.

El participante puede recibir datos que representan el comportamiento luminoso de diferentes objetos y tratar de responder una pregunta aparentemente sencilla: ¿A qué tipo de objeto pertenece esta curva de luz?

Detrás de esa pregunta existe un problema fascinante: enseñar a una computadora a reconocer patrones.

Por ejemplo, si determinadas curvas muestran oscilaciones periódicas y otras presentan disminuciones características, un algoritmo puede aprender que ciertas formas están asociadas con determinadas categorías de objetos.

Es aquí donde el aprendizaje automático comienza a adquirir importancia.

6. De las curvas de luz a Gaia: incorporar más información

En un nivel intermedio, el problema puede enriquecerse mediante datos provenientes de Gaia.

Ya no se trata solamente de observar cuánto brilla un objeto.

También podemos incorporar información relacionada con su posición, movimiento y otras propiedades observacionales.

Esto es comparable a intentar identificar una persona en una multitud.

Si sólo conocemos el color de su camisa, la tarea puede resultar complicada. Pero si además conocemos su altura, dirección de movimiento, ubicación y otras características, la identificación se vuelve mucho más precisa.

En astronomía sucede algo semejante.

Cuanta más información relevante pueda integrarse, mayor puede ser la capacidad de los modelos para distinguir entre diferentes tipos de objetos.

Esto conduce a una idea fundamental de la astronomía contemporánea: el descubrimiento científico ya no depende únicamente de obtener mejores imágenes, sino también de aprender a relacionar inteligentemente múltiples tipos de información.

7. El desafío de Rubin y LSST: cuando el Universo se convierte en un torrente de información

La modalidad avanzada del Hackathon lleva el problema a un escenario inspirado en Rubin/LSST, donde aparecen algunos de los grandes desafíos de la astronomía del futuro.

Aquí las dificultades no se limitan al tamaño de los datos.

También existe información incompleta, ruido, observaciones que pueden faltar y fenómenos transitorios que aparecen y desaparecen rápidamente.

Imaginemos que estamos vigilando una ciudad mediante millones de cámaras, pero algunas imágenes están borrosas, otras no se registran y determinados acontecimientos duran solamente unos minutos.

La tarea sería descubrir cuáles de esos acontecimientos merecen atención.

El desafío astronómico es parecido, aunque a una escala cósmica.

Una supernova puede aparecer en una galaxia distante y convertirse en un acontecimiento extraordinariamente importante para los investigadores. Si existen millones de observaciones simultáneas, resulta imposible depender exclusivamente de que una persona revise manualmente cada imagen.

Necesitamos sistemas capaces de detectar automáticamente aquello que parece diferente.

8. La inteligencia artificial como una nueva herramienta del astrónomo

Aquí aparece la inteligencia artificial.

Conviene aclarar algo importante: la inteligencia artificial no sustituye el pensamiento científico.

Su principal ventaja consiste en ayudar a encontrar patrones dentro de cantidades de información que ningún ser humano podría examinar individualmente.

Podemos imaginar a un astrónomo trabajando con una enorme colección de curvas de luz. Una computadora puede procesar millones de ellas, identificar similitudes, señalar anomalías y clasificarlas de acuerdo con modelos previamente entrenados.

Después, el investigador puede concentrarse en las preguntas científicas más profundas.

La relación puede compararse con la historia del microscopio.

Cuando Antonie van Leeuwenhoek comenzó a utilizar microscopios en el siglo XVII, no dejó de existir la necesidad de pensar científicamente. El instrumento simplemente permitió observar un mundo que anteriormente era invisible.

La inteligencia artificial puede desempeñar hoy un papel comparable en otro sentido: no necesariamente nos permite ver nuevos objetos directamente, pero sí nos permite reconocer patrones en una cantidad de información que nuestros sentidos y nuestra capacidad cognitiva no pueden procesar por sí solos.

9. Una anécdota histórica: cuando una anomalía cambió la astronomía

La historia de la ciencia contiene numerosos ejemplos en los que una pequeña anomalía terminó modificando nuestra comprensión del Universo.

Uno de los más célebres ocurrió con Henrietta Swan Leavitt, quien estudió estrellas variables conocidas como cefeidas. Al analizar su comportamiento encontró una relación entre su periodo de variación y su luminosidad.

Aquello parecía, inicialmente, un detalle técnico.

Sin embargo, esa relación terminó convirtiéndose en una herramienta fundamental para medir distancias astronómicas y contribuyó decisivamente a que los astrónomos pudieran comprender que el Universo era mucho más grande de lo que anteriormente se imaginaba.

La lección es extraordinaria.

Una pequeña variación en el brillo de una estrella puede contener información sobre distancias cósmicas inmensas.

Hoy, más de un siglo después, seguimos explotando esa misma idea fundamental: estudiar cómo cambia la luz para comprender el Universo.

La diferencia es que ahora no analizamos unas pocas estrellas, sino millones y millones de objetos.

10. Otra lección de la historia: el descubrimiento puede comenzar con una irregularidad

La ciencia también ha demostrado repetidamente que lo inesperado puede ser más importante que lo esperado.

Cuando Jocelyn Bell Burnell detectó señales de radio extremadamente regulares mientras realizaba investigaciones relacionadas con fuentes de radio astronómicas, aquellas señales inicialmente resultaron desconcertantes.

El fenómeno terminó conduciendo al descubrimiento de los púlsares.

La historia es especialmente importante para comprender la astronomía basada en datos.

Un algoritmo puede aprender a reconocer lo conocido, pero también puede ayudar a identificar aquello que no encaja.

Y las anomalías pueden ser científicamente extraordinarias.

Una señal inesperada podría corresponder a un error instrumental, pero también podría representar un fenómeno astronómico que todavía no comprendemos.

Por eso, uno de los grandes desafíos de la inteligencia artificial aplicada a la ciencia consiste no sólo en clasificar, sino también en detectar lo desconocido.

11. El Hackathon como laboratorio de aprendizaje científico

En este contexto, un Hackathon dedicado a la clasificación de series de tiempo astronómicas representa mucho más que una competencia tecnológica.

Puede convertirse en un laboratorio educativo.

La estructura progresiva (básica, intermedia y avanzada) permite que personas con diferentes niveles de experiencia se acerquen gradualmente a un problema real.

En el nivel básico, se aprende a interpretar curvas de luz.

En el nivel intermedio, se incorporan datos fotométricos y astrométricos para mejorar la clasificación.

En el nivel avanzado, los participantes enfrentan problemas relacionados con grandes volúmenes de información, datos incompletos y fenómenos transitorios.

Esta progresión tiene una enorme importancia pedagógica.

No se comienza intentando resolver el problema completo del Universo.

Se comienza con una pregunta pequeña: ¿Qué me está diciendo esta curva?

Después se formula una pregunta más compleja: ¿Qué puedo descubrir si combino diferentes tipos de información?

Finalmente aparece la gran pregunta: ¿Cómo puedo construir un sistema capaz de buscar acontecimientos extraordinarios dentro de millones de observaciones?

12. Una nueva alfabetización científica

Este tipo de proyectos también plantea una cuestión educativa.

La astronomía del siglo XXI requiere personas capaces de dialogar entre diferentes áreas del conocimiento.

No necesariamente todos tendrán que convertirse en astrónomos profesionales, matemáticos o especialistas en inteligencia artificial. Pero será cada vez más importante comprender cómo interactúan los datos, los modelos, los algoritmos y las preguntas científicas.

El estudiante que participe en un proyecto de esta naturaleza puede descubrir que una gráfica aparentemente sencilla representa información procedente de una estrella situada a enormes distancias.

Puede aprender que una serie de números puede convertirse en una curva de luz.

Puede descubrir que una curva de luz puede convertirse en una clasificación.

Y, finalmente, puede comprender que una clasificación automática puede conducir a una pregunta científica nueva.

Ese recorrido es extraordinariamente valioso porque enseña algo que trasciende la astronomía: los datos no son conocimiento hasta que aprendemos a interpretarlos.

13. El verdadero desafío no es almacenar datos, sino comprenderlos

La humanidad ha desarrollado una capacidad impresionante para almacenar información.

Podemos generar, transmitir y conservar cantidades de datos que hace apenas unas décadas habrían parecido imposibles.

Pero almacenar información no significa comprenderla.

El verdadero reto de la astronomía moderna consiste en transformar el océano de datos en conocimiento científico.

La inteligencia artificial puede ayudar en esa transformación, pero requiere modelos adecuados, datos de calidad, validación, pensamiento crítico y participación humana.

Un algoritmo puede decirnos que una curva se parece a otras miles de curvas.

Pero el científico debe preguntar:

¿Por qué?

¿Qué fenómeno físico podría producirla?

¿Es realmente una estrella variable?

¿Podría tratarse de un agujero negro?

¿Es una supernova?

¿Es un error?

¿Estamos frente a algo completamente nuevo?

La máquina puede encontrar el patrón.

La ciencia debe descubrir su significado.

Conclusión: aprender a escuchar al Universo

La astronomía está atravesando una transformación profunda.

Durante siglos, el desafío consistió en construir instrumentos suficientemente poderosos para observar objetos cada vez más distantes.

Hoy, el desafío adicional consiste en desarrollar métodos capaces de interpretar la inmensa cantidad de información que esos instrumentos producen.

Millones de objetos variables pueden ser detectados cada noche. Sus curvas de luz contienen información sobre estrellas pulsantes, sistemas estelares, agujeros negros, supernovas y otros fenómenos que todavía estamos aprendiendo a comprender.

Los grandes proyectos astronómicos, desde OGLE y Gaia hasta los escenarios asociados con Rubin/LSST, representan diferentes etapas de una misma revolución: pasar de observar el cielo a analizar sistemáticamente su evolución.

La inteligencia artificial aparece entonces no como sustituta del astrónomo, sino como una nueva extensión de su capacidad para explorar.

Hace siglos, Galileo dirigió un telescopio hacia el cielo y descubrió que el Universo era muy diferente de lo que muchos imaginaban. Hoy podemos imaginar una escena distinta: millones de objetos siendo observados simultáneamente, mientras algoritmos buscan entre ellos pequeñas variaciones que podrían revelar acontecimientos extraordinarios.

Quizá la gran revolución de la astronomía contemporánea no consista únicamente en construir telescopios capaces de mirar más lejos.

Quizá consista en aprender a escuchar mejor lo que el Universo ya nos está diciendo mediante su luz.

Porque cada estrella que cambia de brillo, cada curva que se aparta de lo esperado y cada señal que parece insignificante puede contener una historia.

Y en un cielo que produce millones de historias cada noche, la inteligencia humana y la inteligencia artificial tendrán una tarea común: encontrar aquellas que todavía nadie ha aprendido a contar.

Epílogo: XOLoTl, cuando el Universo comienza a contarnos su historia

El Hackathon CUDI 2026, denominado XOLoTl, acrónimo de eXploración de Objetos variables y curvas de Luz en el dominio Temporal, representa una oportunidad para llevar estas reflexiones del terreno conceptual al ámbito de la experimentación, la ciencia de datos y la astronomía moderna. El encuentro, programado para los días 22 y 23 de agosto de 2026 en formato híbrido, coloca frente a estudiantes, investigadores, especialistas y entusiastas de la tecnología un problema fascinante: ¿qué podemos descubrir cuando aprendemos a interpretar el comportamiento temporal de la luz procedente del Universo?

La pregunta parece sencilla, pero detrás de ella se encuentra uno de los grandes desafíos de la astronomía contemporánea. Los telescopios modernos ya no producen únicamente imágenes; generan auténticos océanos de información. Cada observación puede convertirse en una secuencia temporal y, dentro de esa secuencia, pueden esconderse señales débiles, periodicidades, anomalías, transiciones y comportamientos que difícilmente podrían ser reconocidos mediante una inspección convencional.

Es aquí donde XOLoTl adquiere una dimensión particularmente interesante. La clasificación de series de tiempo astronómicas permite convertir las variaciones de luminosidad en información susceptible de ser estudiada mediante estadística, matemáticas, programación, inteligencia artificial y ciencia de datos. La curva de luz deja de ser únicamente una representación gráfica para convertirse en una huella temporal del objeto astronómico.

Cada punto de esa curva representa una observación; pero el conjunto de todos los puntos construye una historia. Una sucesión aparentemente caótica puede esconder una periodicidad. Una disminución momentánea puede revelar el tránsito de un planeta. Una variación irregular puede señalar la actividad de un objeto compacto o de un núcleo galáctico. Un incremento súbito puede anunciar un fenómeno transitorio. En otras palabras, el significado no siempre está en el dato individual, sino en la relación dinámica entre los datos.

Esta perspectiva transforma también la manera de comprender la ciencia de datos. Clasificar una serie temporal astronómica no significa simplemente asignarle una etiqueta. Significa aprender a reconocer patrones dentro de una realidad cambiante. Es buscar semejanzas y diferencias; distinguir lo periódico de lo irregular; separar el ruido de una señal significativa; encontrar estructuras donde, a primera vista, solamente parece existir una colección interminable de números.

En este sentido, XOLoTl constituye un punto de encuentro entre dos formas de conocimiento que durante mucho tiempo parecieron pertenecer a mundos diferentes: la contemplación del Universo y la capacidad computacional para analizarlo. La astronomía proporciona las preguntas; las matemáticas aportan estructuras para formularlas; la estadística permite interpretar la incertidumbre; la computación proporciona herramientas para procesar grandes cantidades de información; y la inteligencia artificial puede contribuir a encontrar patrones que resultarían difíciles de detectar mediante métodos tradicionales.

Pero existe una dimensión todavía más profunda.

Cuando observamos una curva de luz, no estamos viendo solamente una gráfica. Estamos recibiendo información de un acontecimiento ocurrido en otro lugar y, muchas veces, hace miles, millones o incluso miles de millones de años. La luz ha viajado a través del espacio y del tiempo antes de llegar hasta nuestros instrumentos. Por ello, analizar una curva de luz es, en cierto sentido, analizar una memoria del Universo.

XOLoTl nos recuerda entonces que los datos astronómicos poseen una característica extraordinaria: son simultáneamente información científica y memoria cósmica. Cada variación registrada puede ser considerada una pequeña evidencia de un proceso que ocurrió mucho antes de que alguien pudiera observarlo. La astronomía temporal convierte así el cielo en un archivo dinámico, en el que los acontecimientos quedan inscritos en la evolución de la luz.

Desde esta perspectiva, el Hackathon CUDI 2026 no debe entenderse únicamente como una competencia tecnológica. Puede concebirse como un laboratorio de ideas, un espacio donde diferentes disciplinas convergen para enfrentar un problema real y, sobre todo, para aprender a formular nuevas preguntas. El verdadero valor de un hackathon científico no reside solamente en producir un algoritmo o alcanzar una determinada precisión de clasificación; reside también en descubrir nuevas maneras de observar, representar y comprender un fenómeno.

La naturaleza misma del formato colaborativo favorece esta convergencia. En un mismo espacio pueden encontrarse conocimientos de astronomía, matemáticas, programación, estadística, aprendizaje automático y visualización de datos. Cada participante aporta una perspectiva diferente, y precisamente en esa diversidad puede aparecer una solución que difícilmente habría surgido desde una sola disciplina.

Así, XOLoTl representa también una metáfora de la ciencia del siglo XXI: ninguna disciplina posee por sí sola todas las respuestas para interpretar un Universo que se vuelve cada vez más complejo a medida que somos capaces de observarlo con mayor precisión.

El desafío futuro será todavía mayor. Los grandes observatorios y proyectos astronómicos producirán cantidades extraordinarias de datos temporales. La dificultad ya no será únicamente obtener información, sino saber qué información merece nuestra atención. Entre millones o miles de millones de observaciones podrían encontrarse fenómenos extraordinarios que permanezcan ocultos si no desarrollamos métodos capaces de reconocerlos.

Aquí surge una de las grandes responsabilidades de la ciencia de datos aplicada a la astronomía: desarrollar sistemas que no solamente clasifiquen aquello que ya conocemos, sino que también sean capaces de señalar aquello que no encaja completamente con nuestros modelos.

Y quizá allí se encuentre una de las mayores promesas de XOLoTl.

Porque la ciencia avanza no solamente cuando confirma una hipótesis, sino cuando encuentra una anomalía que obliga a formular una pregunta nueva. Una curva de luz que no corresponde a ninguna categoría conocida puede ser un error instrumental, ruido, contaminación o una deficiencia del modelo; pero también podría contener la evidencia de un fenómeno que todavía no comprendemos.

Por ello, la clasificación automática debe entenderse como un medio y no como un fin. El algoritmo puede señalar la anomalía; la mente humana debe preguntarse qué significa.

En esta interacción entre datos, algoritmos y pensamiento científico aparece una idea fundamental: la tecnología no sustituye la curiosidad. La amplifica. Un ordenador puede procesar millones de curvas de luz en un tiempo imposible para un ser humano, pero todavía necesitamos investigadores capaces de mirar una anomalía y preguntarse: ¿por qué está ahí?

Quizá esa sea la verdadera esencia de XOLoTl: enseñarnos a mirar el Universo de otra manera.

Durante siglos, el ser humano levantó la mirada hacia las estrellas buscando respuestas. Hoy continúa haciéndolo, pero dispone de instrumentos capaces de registrar variaciones de brillo con una precisión extraordinaria y de sistemas computacionales capaces de analizar enormes cantidades de información. La pregunta fundamental, sin embargo, permanece intacta: ¿qué nos está diciendo el Universo?

Las curvas de luz pueden ser una de sus respuestas.

Cada una contiene una secuencia temporal. Cada secuencia contiene patrones. Cada patrón puede representar un fenómeno. Y cada fenómeno puede abrir una nueva ventana hacia nuestra comprensión de la naturaleza.

De esta manera, XOLoTl no solamente explora objetos variables: explora la información que el tiempo deja escrita en la luz.

El Hackathon CUDI 2026 puede convertirse, por tanto, en un pequeño laboratorio de una transformación mucho más amplia: el tránsito de una astronomía centrada principalmente en imágenes hacia una astronomía capaz de interpretar la dinámica temporal del Universo. Una astronomía donde observar ya no significa únicamente capturar una imagen, sino seguir una historia; donde medir no significa únicamente obtener un valor, sino comprender una evolución; y donde clasificar no significa simplemente etiquetar, sino descubrir estructuras ocultas dentro de la complejidad.

Al final, quizá una curva de luz sea mucho más que una sucesión de puntos sobre un eje temporal.

Puede ser el eco de una estrella.

La sombra de un planeta.

La señal de una explosión.

La huella de un acontecimiento ocurrido hace millones de años.

O, tal vez, la primera pista de algo que todavía no sabemos nombrar.

XOLoTl nos propone mirar esos puntos y preguntarnos qué historia contienen. Porque cuando aprendemos a interpretar la variación de la luz, el Universo deja de ser solamente un paisaje distante y comienza a convertirse en una narración dinámica escrita a través del tiempo.

Y quizá la gran pregunta que permanezca después del Hackathon no sea solamente qué objeto hemos logrado clasificar, sino una mucho más profunda:

¿Cuántas historias del Universo permanecen todavía ocultas dentro de los datos que aún no hemos aprendido a interpretar?