Detección topológica de comunidades estelares en el Puente de Magallanes mediante Machine Learning y datos de Gaia DR3

Resumen

La creciente disponibilidad de datos astrométricos y fotométricos masivos, como los provistos por la misión Gaia (DR3), exige el desarrollo de enfoques analíticos escalables. En este trabajo presentamos un pipeline automatizado para la detección y validación de comunidades estelares en la región del Puente de Magallanes. Reemplazamos el enfoque tradicional de búsqueda de sobredensidades puramente espaciales (2D) por una búsqueda topológica. Para ello, modelamos las agrupaciones construyendo un grafo no dirigido sobre un espacio de fases ampliado de cinco dimensiones, constituido por las coordenadas espaciales (α, δ), el paralaje (ϖ) y los movimientos propios (μα*, μδ). Sobre esta red k-NN aplicamos el algoritmo de Leiden para identificar comunidades cinemáticamente coherentes. Para la validación astrofísica, analizamos Diagramas Color-Magnitud (CMD) superponiendo isocronas teóricas PARSEC calibradas para poblaciones jóvenes. La metodología demuestra ser altamente robusta frente a la contaminación por estrellas de campo galácticas, estableciendo una base adaptable para futuros catálogos profundos, como los del Observatorio Vera C. Rubin.