Análisis de rendimiento de Mapas Auto-organizados paralelos para la determinación de tipos espectrales estelares

Resumen

En la actual era del "Big Data" astronómico, la clasificación manual de espectros estelares resulta impracticable ante el volumen masivo de datos de misiones modernas. Este trabajo presenta el análisis de rendimiento de una red neuronal de Mapas Auto-Organizados (SOM) para la clasificación automática en el sistema Morgan-Keenan, abarcando las clases estelares O, B, A, F, G, K y M. Se utilizó una muestra de 1,273 estrellas de la librería espectral de NOIRLab, implementando una técnica de preprocesamiento que vectoriza la información espectral bruta —originalmente compuesta por más de 15,000 puntos de longitud de onda e intensidad luminosa— reduciéndola a 9 características físicas clave. Se evaluó el impacto de la Computación de Alto Rendimiento comparando estrategias secuenciales y paralelas (hilos vs. procesos). Los resultados mostraron una exactitud consistente entre el 76.8% y el 80.8%. Computacionalmente, el uso de hilos resultó ineficiente por la sobrecarga del Global Interpreter Lock (GIL) de Python, mientras que la estrategia de multiprocesamiento logró reducir el tiempo de entrenamiento en un 7.1% en configuraciones con mayor cantidad de neuronas, validándose como una optimización alternativa para la clasificación de librerías estelares.