** Versión en Español más abajo **
Dear Community Members,
As part of Rubin Prompt Data Product Pipeline, we have prototyped a Real/Bogus model based on convolutional neural networks, which was used to produce DP1 data and is currently in use to deliver the first alerts to the alert brokers. This model was presented at the Rubin session Update on Science Pipelines at the Rubin Community Workshop 2025. The model’s performance is currently limited by the availability of accurately labeled real/bogus data from on-sky observations and this causes a differential performance across various astrophysical transients and moving objects.
To address this, we are excited to announce the launch of Rubin Difference Detectives, a new citizen science project on the Zooniverse platform featuring data from NSF-DOE Rubin Observatory.
Your mission: Help the Rubin team tune their alert system by identifying which image changes are real astrophysical events and which are cosmic impostors using early data collected by the observatory. Your classifications will help the Rubin team to improve the existing machine learning algorithm’s ability to discriminate between real astrophysical sources and instrumental artifacts.
By contributing, you will directly help tune the alert system for the entire community. Try your eye and see if you can spot a supernova 
, an asteroid 
… or something completely unexpected 
!
Join the Rubin Difference Detectives 
project 
www.zooniverse.org/rubin
We encourage everyone in the community to participate and to help spread the word within your networks.
Previous topic announcing the Zooniverse Project here.
Queridos miembros de la comunidad,
Como parte del Sistema de Producción de Alertas de Rubin, hemos desarrollado un modelo de detección de señales reales/falsas basado en redes neuronales profundas. Este modelo se utilizó para generar los datos en DP1 y actualmente se emplea para enviar las primeras alertas a los brokers. Este modelo se presentó en la sesión Update on Science Pipelines at the Rubin Community Workshop 2025. El rendimiento del modelo está limitado por la disponibilidad de datos de detecciones reales/falsas etiquetadas correctamente, lo que provoca que el rendimiento cambie en función del tipo de fenómenos astrofísicos transitorios y objetos en movimiento.
Para abordar este problema, nos complace anunciar el lanzamiento de Detectives de Cambios de Rubin (Rubin Difference Detectives), un nuevo proyecto de ciencia ciudadana en la plataforma Zooniverse que utiliza datos del Observatorio Rubin de NSF-DOE.
Tu misión: ayudar al equipo de Rubin a optimizar su sistema de producción de alertas identificando qué cambios en las imágenes corresponden a eventos astrofísicos reales y cuáles son impostores cósmicos, utilizando datos tempranos recopilados por el observatorio. Tus clasificaciones ayudarán al equipo de Rubin a mejorar la capacidad del algoritmo de aprendizaje automático existente para distinguir entre fuentes astrofísicas reales y falsos positivos.
Al contribuir, ayudarás directamente a perfeccionar el sistema de alertas para toda la comunidad. ¡Agudiza tu vista e intenta detectar una supernova , un asteroide … o algo totalmente inesperado !
Únete al proyecto Detectives de Cambios de Rubin (Rubin Difference Detectives) www.zooniverse.org/rubin
Animamos a todos los miembros de la comunidad a participar y a difundir la información en sus redes.
